Científico del MIT enseña a AI a entender química para desarrollar nuevos medicamentos

Connor Kolja del Instituto de Tecnología de Massachusetts trabaja en la intersección entre química y aprendizaje automático. Su nuevo enfoque ayuda a los sistemas de IA no solo a encontrar patrones en los datos, sino a comprender principios fundamentales de química — y utilizar este conocimiento para desarrollar nuevos medicamentos.

Por Qué el ML Convencional No Es Suficiente

Los modelos tradicionales de aprendizaje automático se entrenan con enormes volúmenes de datos y buscan patrones. Pero en química, esto es insuficiente: una molécula que se parece estadísticamente puede tener propiedades completamente diferentes. Es necesario que la IA comprenda las reglas químicas reales — cómo interactúan los átomos, por qué los electrones se distribuyen de una manera particular. Por eso Kolja integró principios químicos en sus modelos. La IA ahora no adivina; razona — como un químico experimentado.

Cómo Funciona

El enfoque de Kolja utiliza las llamadas redes neuronales informadas por física (physics-informed neural networks). Combinan el poder del aprendizaje profundo con restricciones explícitas derivadas de la química. El modelo puede proponer una molécula que:

• Nunca ha aparecido en los datos de entrenamiento
• Pero cumple con las leyes químicas — no viola la valencia, el balance electrónico
• Y probablemente posee las propiedades deseadas para un medicamento

Es como dar a la IA no solo un conjunto de ejemplos, sino un libro de química y pedirle que resuelva un problema creativo.

Aplicaciones y Potencial

"Queremos que la IA no solo prediga qué moléculas funcionarán, sino que pueda explicar por qué", dice

Kolja.

Este enfoque ya muestra resultados. La IA encuentra candidatos a medicamentos que los químicos humanos pasarían por alto — porque son inusuales o atípicos, pero sin embargo funcionan. Esto acelera las primeras etapas del desarrollo: en lugar de sintetizar cientos de compuestos, los investigadores pueden primero filtrar a los 10–20 mejores candidatos. Para la farmacéutica, esto es crítico: desarrollar un único medicamento cuesta miles de millones y lleva años.

Qué Significa Esto

Esto es un indicativo de cómo está cambiando el aprendizaje automático. La primera generación de IA fue puramente estadística — adivinaba patrones. La segunda generación incorpora conocimiento experto y leyes físicas. La IA deja de ser simplemente una herramienta de búsqueda para convertirse en una investigadora que razona según las reglas. Para la química y la biología, esto podría significar acelerar no solo el desarrollo de medicamentos, sino también el descubrimiento de nuevos materiales y catalizadores.