Comparteixo avui tres temes rellevants, dos de nous i un de fa més temps però important.
En primer lloc, un estudi sobre el gust i l’olfacte, que sempre han estat un camp complicat per a la química i la física. Ara a Una ‘lengua’ electrónica identifica tipos de líquido con inteligencia artificial s’hi mostra com la IQ pot ajudar a reconèixer patrons d’aquests dos sentits:
Al igual que el sentido del gusto o el olfato no tiene un receptor para cada molécula de un alimento, sino que reacciona a partir de una combinación específica, los sensores de Hypertaste son capaces de responder simultáneamente a diferentes compuestos químicos. De este modo, a través de la combinación de estos diferentes sensores, se puede realizar un análisis holístico del conjunto de componentes de un líquido y hallar su ‘huella dactilar’.
Es tracta doncs de comparar la presència d’un conjunt ample de molècules diverses amb les molècules presents a substàncies ja identificades i caracteritzades. Em recorda un article sobre tipus d’oli italians detectables per la seva composició en àcids oleics, i com es podia saber d’on provenia l’oli.
Un segon tema fa referència a la síntesi de nous fàrmacs. Fent servir IA, hi ha avenços en el disseny de noves molècules candidates a fàrmacs per tractar una malaltia concreta. Per exemple, a Molecule Designed By AI Exhibits ‘Druglike’ Qualities la IA s’ha fet servir per crear noves molècules contra un receptor específic:
Alex Zhavoronkov, CEO of Insilico Medicine, a startup that generates potential drugs using artificial intelligence, was recently given a challenge by one of his pharma company partners. His team would see how quickly Insilico’s AI could identify new molecules that bind with a protein associated with tissue scarring. Then they’d put the molecules to the test, synthesizing a few of them in the lab to see if the AI was onto something, or only dreaming.
Ara bé, això funciona raonablement quan ja hi ha moltes dades, és a dir, quan fer una predicció és factible. Però si no hi ha dades prèvies, la IA no funciona pas tant bé… aquí hi haurà segurament el “factor humà” al menys durant un temps…
The AI-generated molecules appear novel, Renslo says, and some could even be called creative in design. But the paper is best regarded as a proof-of-concept, he notes. The molecules aren’t a slam dunk, and would take perhaps a year of lab work to refine—meaning the AI wouldn’t save a big pharma company much time, if any. Plus, while the system was impressive at generating lots of candidate molecules, it was working in a niche where there’s plenty of data for the system to learn from. “It’s a suitable place to start, but it would be harder for the AI to solve a drug discovery problem where there isn’t data to start from,” Renslo says.
Finalment us esment més particular. Un dels temes que segueixo és la IA i la química quàntica. M’ha agradat l’article publicat fa un parell d’anys a Chem. Sci. titulat ANI-1: an extensible neural network potential with DFT accuracy at force field computational cost. Amb un cost semblant al dels camps de força (poc temps de càlcul), els autors diuen que poden assolir energies relatives semblants a les obtingudes pel mètode DFT, molt més lent (sis cops més)
Fins i tot diuen que “The ANI method is a potential game-changer for molecular simulation“. M’ha semblat força interessant que que la rapidesa també afecta al càlcul del gradient. M’ho hauré de mirar una mica més, perquè ja afecta a la caracterització de superfícies d’energia potencial.