N.86 – Un método para determinar la estructura

Un grupo de especialistas del CONICET en el Instituto de Química de Rosario (IQUIR, CONICET-UNR), bajo la dirección de Ariel Sarotti, presentó recientemente un método para determinar la estructura tridimensional de nuevas moléculas a partir de la química computacional.

La química computacional es una rama de la química que utiliza computadoras para resolver problemas mediante simulaciones de sistemas moleculares. Una de las vertientes más utilizadas en la actualidad se basa en la química cuántica, disciplina que permite predecir fenómenos químicos a través de las leyes de la mecánica cuántica que gobiernan el comportamiento del mundo subatómico.

“En mecánica cuántica las ecuaciones son extraordinariamente complejas. Tal es la dificultad asociada que a una persona le resultaría imposible hallar la solución haciendo cálculos manualmente o con una calculadora”, argumenta Sarotti, y continúa: “Entonces necesitamos la potencia de cálculo que nos brindan las computadoras para resolver esas ecuaciones en un tiempo razonable y con buenas predicciones”.

Una de las disciplinas beneficiadas con la enorme capacidad predictiva de la química computacional es la elucidación estructural, que consiste en determinar la estructura tridimensional de las moléculas, la cual representa una etapa crítica y fundamental en el proceso de descubrimiento de nuevos compuestos. El proceso se basa en el cálculo cuántico de resonancia magnética nuclear (RMN) seguido de la comparación con valores experimentales empleando herramientas de correlación de datos, como los métodos estadísticos o de inteligencia artificial. En la última década, el grupo del Sarotti logró avances fundamentales en esta disciplina, consolidándose como referente internacional. Uno de los métodos desarrollados, denominado DP4+, se ubica entre los más populares y ampliamente utilizados por parte de la comunidad científica.

Si bien la mayoría de los compuestos pueden ser resueltos con las herramientas mencionadas, hay ciertos tipos de moléculas de vital importancia -como el caso de hidratos de carbono- que suelen generar inconvenientes debido a la presencia de interacciones intramoleculares, como los puentes de hidrógeno. Según resalta Sarotti, estas interacciones pueden provocar errores que conducen a predicciones erróneas. Ello ha representado una de las grandes limitaciones en los procesos de elucidación estructural basados en cálculos computacionales.

Este equipo de investigación desarrolló el método “Multi-Ensemble Strategy for Structural Identification” (MESSI), fundado en “la teoría de que el saber colectivo supera cualquier predicción individual. Se trata de un método en que la toma de decisiones se sustenta en un conjunto de resultados obtenidos a través de la manipulación de predicciones computacionales mediante estrategias de inteligencia artificial y no en un resultado puntual, como lo ha hecho el enfoque tradicional en la disciplina”.

Para graficarlo, el investigador revela un ejemplo de cómo la teoría de la “sabiduría de masas” permite estimar magnitudes difíciles de calcular, y cita como caso conocer el número de bolitas existentes en un frasco. Si bien ninguna persona pueda establecer exactamente ese número; cada una hará una estimación más o menos acertada. Habrá quienes sugieran números razonablemente cercanos, y otros que enuncien predicciones muy erradas. Lo interesante de la teoría, dice Sarotti, es que, si se promedian todas esas valoraciones individuales, ese “saber colectivo” termina -de alguna forma- proporcionando resultados muy cercanos al valor real. Si bien el concepto de “sabiduría de masas” se ha empleado en numerosas ramas del conocimiento, como economía, psicología, computación y otras ciencias, según argumenta el investigador, es la primera vez que se utiliza en este tipo de aplicaciones.

“Lo que este enfoque sugiere es tomar las predicciones colectivas de tal forma que el resultado final sea una compensación de todas esas estimaciones y no una predicción individual. Esto representa un nuevo paradigma respecto a la forma tradicional de hacer las cosas”, concluye el investigador.

El nombre MESSI, que surge del acrónimo del método desarrollado, representa también un homenaje al astro rosarino. Este método fue desarrollado por la becaria doctoral del CONICET Maribel Marcarino y el becario doctoral de la Agencia I+D+i Lucas Passaglia; la investigadora María Marta Zanardi, que trabaja en el Instituto de Investigaciones en Ingeniería Ambiental, Química y Biotecnología Aplicada (INGEBIO, UCA), y el investigador Ariel Sarotti. Este equipo trabajó además en un programa de Python, que automatiza las tareas relativas a los cálculos mencionados. El programa es gratuito y accesible a través de su web: https://github.com/Sarotti-Lab/MESSI con instrucciones y tutoriales; así como en Python Package Index (https://pypi.org/project/messi-nmr/)