Un científico del MIT enseña química a la IA para diseñar nuevos fármacos

Connor Coley, del Instituto Tecnológico de Massachusetts, trabaja en la intersección entre la química y el aprendizaje automático. Su nuevo enfoque ayuda a los sistemas de IA a ir más allá de encontrar patrones en los datos: también comprenden los principios fundamentales de la química y usan ese conocimiento para diseñar nuevos fármacos.

Por qué el aprendizaje automático convencional no basta

Los modelos tradicionales de aprendizaje automático se entrenan con enormes volúmenes de datos y buscan patrones. Pero en química eso no es suficiente: una molécula que parece similar desde el punto de vista estadístico puede tener propiedades completamente distintas. La IA necesita entender las reglas químicas reales, como la forma en que interactúan los átomos y por qué los electrones se distribuyen de cierta manera.

Por eso Coley incorporó principios químicos a sus modelos. Ahora la IA no adivina, razona, como un químico con experiencia.

Cómo funciona

El enfoque de Coley emplea las llamadas redes neuronales informadas por la física (physics-informed neural networks). Combinan la potencia del aprendizaje profundo con restricciones explícitas extraídas de la química. El modelo puede proponer una molécula que:

• Nunca apareció en el conjunto de entrenamiento
• Pero cumple las leyes químicas: no viola la valencia ni el balance electrónico
• Y probablemente tiene las propiedades necesarias para un fármaco

Es como darle a la IA no solo una serie de ejemplos, sino un libro de texto de química, y pedirle que resuelva un problema creativo.

Aplicaciones y potencial

«Queremos que la IA no solo prediga qué moléculas funcionarán, sino que también pueda explicar por qué», afirma

Coley.

El enfoque ya está dando resultados. La IA encuentra candidatos a fármacos que los químicos humanos habrían pasado por alto porque son extraños o atípicos, pero aun así funcionales. Esto acelera las primeras etapas del desarrollo: en lugar de sintetizar cientos de compuestos, se puede filtrar primero las 10–20 mejores opciones. Para la industria farmacéutica esto es crítico: desarrollar un solo fármaco cuesta miles de millones y lleva años.

Qué significa

Es una señal de cómo está cambiando el aprendizaje automático. La primera generación de IA fue puramente estadística: adivinaba patrones. La segunda incorpora conocimiento experto y leyes físicas. La IA pasa de ser una simple herramienta de búsqueda a un investigador que razona según reglas. Para la química y la biología, esto puede significar acelerar no solo el desarrollo de fármacos, sino también el descubrimiento de nuevos materiales y catalizadores.