Un equipo científico del CONICET Rosario desarrolló un método para determinar la estructura tridimensional de nuevas moléculas.
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. El nuevo método fue presentado en la revista Chemistry: A European Journal, donde fue publicado como Hot Paper.
La química computacional es una rama de la química que utiliza computadoras para resolver problemas químicos mediante simulaciones de sistemas moleculares. Una de las vertientes que más se está empleando 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, exceptuando los sistemas más sencillos, 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 que se ha beneficiado de la enorme capacidad predictiva de la química computacional es la elucidación estructural. Esta consiste en la determinación de la estructura tridimensional de las moléculas, y 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 de Sarotti ha realizado avances fundamentales en esta disciplina, consolidándose como referente a nivel 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, aclara el investigador que 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, estas interacciones pueden provocar errores en los cálculos de energía, lo que conduce a predicciones modestas o erróneas. Ello ha representado una de las grandes limitaciones en los procesos de elucidación estructural basados en cálculos computacionales.
MESSI, el nuevo paradigma
Inspirado en el principio de la «sabiduría de masas» este equipo de investigación desarrolló MESSI, Multi-Ensemble Strategy for Structural Identification. En relación a ello, Sarotti explica: “Esta teoría establece 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 científico revela un ejemplo de cómo la teoría permite estimar magnitudes difíciles de calcular; y cita como caso conocer el número de bolitas existentes en un frasco. Seguramente, manifiesta, ninguna persona pueda establecer exactamente ese número; cada uno hará una estimación más o menos acertada. Habrá gente que sugiera números razonablemente cercanos, y gente que realice predicciones muy erradas. Lo interesante de la teoría, dice Sarotti, es que, si se promedian todas esas valoraciones individuales, ese saber colectivo de alguna forma termina dando resultados muy cercanos al valor real. El concepto de sabiduría de masas se ha empleado en numerosas ramas del conocimiento, como economía, psicología, computación y otras ciencias. Sin embargo, 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 surge del acrónimo del método desarrollado y como un juego de palabras. En este sentido, representa también ciertamente un homenaje de los investigadores e investigadoras al astro rosarino.
Hay equipo
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 (INGEBIO) y el investigador Ariel Sarotti.
Este equipo ha trabajado además en un programa de Python, que automatiza las tareas relativas a los cálculos mencionados. El programa es gratuito y se puede conseguir en su web: https://github.com/Sarotti-Lab/MESSI donde encontrarán instrucciones y tutoriales; asimismo, en Python Package Index (https://pypi.org/project/messi-nmr/).
Referencia bibliográfica
Marcarino, M., Passaglia, L., Zanardi, M. M., & Sarotti, A. Breaking the DFT Energy Bias Caused by Intramolecular Hydrogen‐Bonding Interactions with MESSI, a Structural Elucidation Method Inspired by Wisdom of the Crowd Theory. Chemistry–A European Journal, e202300420. https://doi.org/10.1002/chem.202300420
Fuente: CONICET Rosario
