La química de las Redes Neuronales

Realmente, la química y el área de computación no suele ir demasiado de la mano, sin embargo, el auge de los sistemas computacionales y el análisis de datos ha permitido que se diversifiquen las funciones de la computación en cualquier rama, incluida la química. Es por ello que el objetivo de este blog es despertar el interés y brindar un enfoque nuevo a las redes neuronales y de qué forma se pueden aplicar a una ciencia tan compleja cómo lo es la química. En primer lugar, ¿qué es una red neuronal? Una red neuronal es un modelo de aprendizaje automático inspirados en las redes neuronales biológicas, compuestos por neuronas, conexiones ponderadas, función de activación y capas. Así mismo, se puede realizar un entrenamiento en conjunto con técnicas de propagación hacia adelante y hacia atrás, comúnmente son utilizadas para clasificación, regresión, clustering, reconocimiento, etcétera. Sin embargo, en el presente artículo se mostrarán las funciones que tienen las redes neuronales en la química.

Clasificación

Tal como se mencionó con anterioridad, las redes neuronales son muy útiles para realizar clustering, sin embargo, en la química analítica se utiliza en primer lugar como herramienta de control de calidad de productos además que permite el monitoreo de productos según su caracterización química. Esto permite tanto a los consumidores como productores identificar de dónde provienen los productos que están siendo utilizados generando un mayor control sobre los productos consumidos; bloqueando el comercio de productos producidos ilegalmente o sin los estándares de higiene y calidad para discriminar si es apto para el consumo humano.

Se observó que, a partir de redes neuronales, se puede obtener un porcentaje de reconocimiento de algunos grupos funcionales (alquenos, alquinos, carboxilos, etcétera) del 100% aunque el espectro generado tenga picos similares y ruido. Debe de denotarse que esta técnica debe ser pulida para varios grupos funcionales ya que se obtuvo ese porcentaje pero únicamente con 13 grupos funcionales utilizados para el entrenamiento.  A su vez, se observó en otro estudio que se obtienen resultados prometedores al momento de identificar la presencia de algunos grupos funcionales que son más difíciles de distinguir dado que su espectro es menos identificable, las redes neuronales proporcionan un porcentaje de aparición de dichos grupos funcionales en el espectro aunque puede que presenten falsos positivos.

Modelado

Las redes neuronales son particularmente útiles para el modelado de ciertas herramientas de análisis. En primer lugar permiten el aumento del rango de trabajo de curvas de calibración (una curva de calibración permite determinar la concentración de un analito a partir de patrones de prueba) es decir que en los casos en los que se excede un rango lineal para la curva de calibración se genera un problema que comúnmente el solventado a partir de dilución para que se encuentre el analito dentro de este rango pero puede conducir a un aumento en el tiempo para hacer el análisis, aumento en la posibilidad de contaminarse, aumento en el riesgo de pérdidas, etcétera. Otra posible alternativa clásica pero menos frecuente es el modelado mediante comportamientos no lineales lo que conlleva un análisis matemático complejo. Increíblemente dicho problema es posible solventarlo con redes neuronales artificiales pero aún no se encuentran muchas aplicaciones con ellas. 

En un estudio utilizando una ecuación no lineal de cinética de reacciones y aplicando absorbancia como entradas y concentraciones como salidas se ajustó una red neuronal, esta se comparó con el método de ajuste polinomial clásico y se obtuvieron mejores resultados al obtener la concentración predicha. Y esto, no ha ocurrido en un solo experimento si no en múltiples experimentos.

Así mismo, las redes neuronales también pueden ser utilizadas para brindar una mejor resolución en el solapamiento de señales tal cómo puede suceder en metodologías como espectroscopía UV-VIS o técnicas electroanalíticas. Comúnmente se puede resolver dicho problema mediante optimización de sistemas o modificaciones instrumentales, sin embargo, existen casos dónde no se pueden realizar estas mejoras, por lo que las redes neuronales a partir de un modelado lineal se puede hacer la separación de los solapamientos sobre los resultados obtenidos y no tener que realizar costosas modificaciones en la realidad. 

Predicción de reacciones

Probablemente, esta sea la aplicación más interesante que poseen las redes neuronales en el ámbito químico y es que uno de los retos más grandes de la química orgánica es predecir una reacción, qué tanto reaccionará, sí llegará al estado de transición; sobre todo, cuál será el porcentaje de rendimiento porque los rendimientos suelen ser extremadamente bajos. Es por ello que una herramienta que ayude a realizar cierta predicción puede ser de mucha utilidad dado que mediante esta se pueden hacer planeación eficiente para la síntesis de productos.

Y es que la predicción de reacciones mediante algoritmos se ha visto desde la década de los 90's, en el cuál a partir de una base de datos se estimaban varios parámetros de la reacción a partir de características cómo la electronegatividad de los compuestos, polaridad de los enlaces, la electronegatividad de las moléculas, la resonancia, la identificación de grupos de los reactivos, entre otros. Sin embargo, estos algoritmos presentaban cierto impedimento y es el hecho de que se basaban enteramente en la base de datos y no podrían predecir reacciones no vistas previamente. (En la figura se muestra un ejemplo de una de los parámetros utilizados en estos algoritmos).

Es por ello que se realizó un estudio que utilizó redes neuronales para poder predecir qué reacción es más propensa a ocurrir dado un set de reactivos a reaccionar a partir de un set de entrenamiento, de manera que se le puede llegar aplicar también condiciones experimentales cómo la temperatura y el tiempo. Para esto se desarrolló un dataset de alcanos, alquenos o alcanos halogenados (alcanos con algún haluro) y se consideraron 16 diferentes reacciones que tenían productos de 3 diferentes tipos: dónde se buscaba la mayor estabilidad mediante el reordenamiento de los carbocationes, productos Markonikov y productos  anti-Markonikov. 

Para ello se desarrollaron dos diferentes modelos el primero utilizaba huellas dactilares de Morgan y el otro utilizaba el cálculo de coeficientes de Tanimoto, y todo esto utilizando cross validation. Finalmente, se obtuvieron resultados prometedores dado que se obtuvieron desempeños del 77.6% y 79.3% de efectividad al momento de predecir.

Conclusión

Por lo que se ha observado, las redes neuronales son muy versátiles y se pueden aplicar a varias ramas de la ciencia. No solo sirven para los típicos datasets en los que se predice los problemas de una población o son utilizadas para estimar el costo de casas; realmente las redes neuronales son herramientas que pueden resolver problemas científicos y que en un futuro minimicen riesgos y maximicen rendimientos. (Cualquier cosa, pueden verificar las referencias, están debajo)

Referencias

Ávila, R., Hernández-Caraballo, E., & Rivas, F. (2018). Las redes neuronales artificiales en química analítica. Parte II. Aplicaciones. Revista de la Sociedad Venezolana de Química, 0-35.

Wei, J., Duvenaud, D., & Aspuru-Guzik, A. (26 de October de 2016). Neural Networks for the Prediction of Organic Chemistry Reactions. ACS Centi Sci, 725-732. doi:https://doi.org/10.1021/acscentsci.6b00219