PropMolFlow acelera o design de novas moléculas sob demanda

Em vez de depender de anos de espera por descobertas ao acaso, pesquisadores estão recorrendo a máquinas para esboçar, sob demanda, moléculas químicas totalmente novas e promissoras.

Essa mudança é relevante agora porque uma descoberta mais rápida e guiada por objetivos pode reduzir desperdícios, baixar custos e levar medicamentos e materiais úteis para aplicações reais com mais antecedência.

Projetando moléculas ao contrário

Na Universidade de Nova York (NYU) e na Universidade da Flórida (UF), equipes criaram um gerador que parte de propriedades desejadas.

O trabalho foi liderado por Stefano Martiniani, Ph.D., e seu grupo, que investiga como a estrutura química determina o comportamento físico.

Para transformar características-alvo em possíveis “plantas” moleculares, o grupo se uniu a químicos e especialistas em modelagem.

Com essa abordagem, eles conseguem ir do objetivo à estrutura - em vez de apenas ajustar pequenas variações do que já existe na química disponível.

Convertendo alvos em moléculas

O novo sistema de inteligência artificial (IA) do time, chamado PropMolFlow, produziu moléculas candidatas cerca de dez vezes mais rápido do que muitas ferramentas anteriores.

O PropMolFlow começa a partir de ruído aleatório e, em seguida, vai refinando esse ruído passo a passo, até que átomos e ligações se organizem em um padrão estável.

Segundo os pesquisadores, foram necessárias em torno de 100 etapas computacionais para chegar a uma estrutura válida, enquanto outras abordagens costumam exigir algo perto de 1.000.

Com menos etapas, o tempo de espera no computador diminui, o que pode acelerar bastante os ciclos iniciais de triagem.

Rápido, mas quimicamente correto

Rapidez só ajuda quando a molécula gerada faz sentido do ponto de vista químico - afinal, laboratórios não conseguem sintetizar estruturas sem lógica.

Em sistemas mais antigos, programas às vezes desenhavam ligações que infringiam regras básicas de ligação química, um problema que a equipe destacou em um relatório.

“Isso importa porque muitas abordagens anteriores produziram estruturas que pareciam superficialmente plausíveis, mas violavam regras químicas básicas”, disse Martiniani.

O PropMolFlow superou esse obstáculo ao gerar estruturas com padrões de ligação corretos e geometrias realistas em mais de 90 por cento das vezes.

Por que as propriedades precisam de fiscalização

Mesmo quando uma molécula é quimicamente válida, ela pode falhar em atingir a propriedade desejada; por isso, a avaliação feita por IA vira um passo decisivo.

O risco aumenta quando uma rede neural propõe moléculas e outra rede neural estima propriedades usando hábitos de treino semelhantes.

“Se uma rede neural gera uma molécula e outra rede neural prevê suas propriedades, ambos os sistemas podem compartilhar pontos cegos semelhantes porque estão tirando da mesma reserva de informação; a IA então está corrigindo o próprio dever de casa”, observou Martiniani.

Para reduzir esse problema de pontos cegos compartilhados, o grupo aplicou a teoria do funcional da densidade, um método quântico que calcula propriedades a partir dos elétrons.

Moléculas pequenas, lições grandes

Para treinar e testar o PropMolFlow, os pesquisadores usaram o conjunto de referência QM9, com moléculas pequenas e propriedades quânticas.

Como cada molécula vem com estrutura padronizada e rótulos, o modelo pôde aprender relações entre formas e características-alvo.

O conjunto de dados abrangia apenas química de baixa massa molecular; assim, o modelo viu principalmente compostos com poucas dezenas de átomos e elementos familiares.

Esse recorte restrito deixou os testes iniciais mais controlados, mas manteve em aberto a dúvida sobre como moléculas maiores, mais parecidas com fármacos, se comportariam.

Em busca de extremos raros de propriedades

Além de casos médios, a equipe direcionou o modelo a alvos fora da distribuição, muito além da faixa típica de treino.

Eles solicitaram níveis de propriedades pouco representados, geraram muitas moléculas e as filtraram com as mesmas verificações químicas.

Para algumas propriedades, cálculos baseados em física indicaram que o conjunto gerado ficou concentrado perto do alvo, mesmo acima do que costuma aparecer em exemplos comuns.

Já onde os dados de treino eram escassos, o modelo se desviou - sinal de que os algoritmos ainda dependem de experiência para perseguir extremos com confiabilidade.

Minutos que mudam decisões no laboratório

A geração rápida pesa mais quando pesquisadores executam várias rodadas de projeto, porque cada rodada altera o que será testado em seguida.

Com o PropMolFlow, um laboratório pode gerar e triar um grande lote e, então, encaminhar apenas os melhores candidatos para experimentos.

“Com a capacidade de gerar milhares de candidatos quimicamente válidos e direcionados a propriedades em minutos em vez de horas, os pesquisadores podem iterar mais rápido: gerar candidatos, filtrar computacionalmente, validar os melhores com física ou experimentos e devolver os resultados para melhorar a próxima rodada”, explicou Martiniani.

Esse ciclo tende a reduzir o tempo entre a ideia e o tubo de ensaio, embora ainda caiba aos químicos decidir quais ideias merecem investimento.

Escalando para medicamentos reais

Medicamentos de verdade e materiais de alto desempenho frequentemente dependem de moléculas maiores, com muitos componentes e mais pontos de falha.

Estruturas maiores aumentam a chance de geometrias desajeitadas, cargas instáveis ou reações que tornam o composto difícil de sintetizar.

Por isso, ainda é necessário adaptar esses modelos para sistemas maiores, já que novos átomos e novas ligações multiplicam as maneiras de algo dar errado.

Velocidade, por si só, não entrega um comprimido pronto, mas pode empurrar mais ideias para avaliações sérias.

Consertando as réguas de avaliação

Avaliar geradores de moléculas virou uma área própria, porque uma pontuação “bonita” pode esconder estruturas perigosas ou impossíveis.

Na análise, os autores chamaram atenção para moléculas de casca aberta, espécies com elétrons desemparelhados que muitas vezes se comportam de forma imprevisível em cálculos.

As equipes da UF e da NYU também corrigiram registros com rótulos inconsistentes de ligações e cargas e, em seguida, disponibilizaram 10.773 moléculas com verificações por teoria do funcional da densidade.

Réguas melhores diminuem a confiança indevida e ajudam grupos diferentes a comparar modelos sem aceitar erros silenciosos como se fossem parte normal da saída.

Um caminho mais rápido para novas moléculas

O PropMolFlow indicou que rapidez, coerência química e direcionamento por propriedades podem avançar juntos quando o projeto começa pelas metas.

À medida que os grupos mirarem moléculas maiores e propriedades mais difíceis, ainda serão indispensáveis verificações rigorosas e experimentos reais para confirmar utilidade.