Learning the language of molecules to predict their properties
Learning the language of molecules to predict their properties
Los investigadores han desarrollado un nuevo marco de aprendizaje automático que acelera drásticamente el descubrimiento de nuevos materiales y fármacos al superar la escasez de datos etiquetados. A diferencia de los métodos tradicionales, que requieren millones de ejemplos de entrenamiento, este sistema utiliza un enfoque jerárquico para aprender la "gramática" estructural de las moléculas. Al comprender las reglas subyacentes que gobiernan cómo se combinan los bloques de construcción moleculares, el modelo puede predecir con precisión las propiedades y generar nuevos compuestos viables utilizando únicamente un pequeño conjunto de datos, imitando efectivamente la intuición humana para identificar similitudes estructurales. La relevancia de este trabajo para los datos abiertos radica en su capacidad para democratizar el acceso a herramientas predictivas de alta calidad sin depender de conjuntos de datos especializados masivos, que a menudo son propietarios o costosos. Al desacoplar las reglas generales del conocimiento específico del dominio, el marco permite un aprendizaje eficiente incluso cuando los datos son limitados, reduciendo la barrera de entrada para investigadores que no pueden permitirse ensayos experimentales extensos ni acceso a modelos preentrenados de gran escala. Este enfoque desplaza la dependencia del volumen de datos hacia la calidad de los datos y la comprensión estructural, haciendo que el avance científico sea más accesible y menos intensivo en recursos. Además, este método demuestra que las representaciones generalizadas de datos en forma de grafos pueden aplicarse más allá de la química, potencialmente revolucionando otros campos que dependen del análisis estructural complejo. Los planes futuros del equipo para incorporar la geometría tridimensional y mecanismos de retroalimentación del usuario destacan su compromiso con la creación de herramientas transparentes y adaptables. Al demostrar que es posible lograr predicciones precisas con muestras mínimas, esta investigación fomenta el intercambio abierto de conjuntos de datos más pequeños y especializados, promoviendo un entorno colaborativo donde diversas fuentes de datos limitadas pueden impulsar colectivamente la innovación en la ciencia de materiales y el descubrimiento de fármacos.
Fuente: news.mit.eduPublicado el 2023-07-08
Noticias relacionadas
- Propiedad intelectual en la era de la IA
- Cint Launches New Data Licensing Solution To Provide Verified First-Party Data
- Brasil: deforestación de Amazonía cae 33,6% en primer semestre de 2023 - Tercera Información
- UGT advierte de que los puestos vacantes en C-LM han aumentado un 63% y pide mejorar las condiciones laborales