Revista Farmabiotec - Número 17

#17 farmaBIOTEC 39 Figura 1. Retrosíntesis y ruta sintética de la molécula de ibuprofeno. objetivo, obtener sus precursores inmediatos. El segundo, una vez resuelto el primero problema, se basa en obtener una ruta retrosintética completa, hasta llegar a productos comerciales, lo más eficiente posible. Esta noción de eficiencia es otro de los puntos clave a la hora de desarrollar este tipo de algoritmos debido a que no existe una definición formal, pudiendo depender ésta del coste monetario de los productos de partida, del número de pasos de síntesis, del tiempo que consume cada reacción o del rendimiento de estas. Incluso, aunque se definiera una función de coste en base a estas varia - bles, éstas pueden ser dinámicas (como la fluctuación del precio de los productos), pueden no tenerse acceso a un valor real y deben, por tanto, ser estimadas (como el tiempo de reacción o los rendimientos) o incluso depen - der del contexto (no sería lo mismo un contexto acadé - mico que uno industrial). Este tipo de problema recuerda a algo parecido a una partida de ajedrez, donde existe la necesidad de planificación y donde una jugada puede parecer buena a priori, pero puede entorpecernos cuando la partida haya avanzado más. Para entrenar modelos de inteligencia artificial que ayu - den a diseñar síntesis químicas en un solo paso, necesita - mos bases de datos con reacciones conocidas. El apren- dizaje se basa en la definición de patrones de reacción. Un patrón de reacción es una regla general que describe cómo ciertos grupos químicos pueden transformarse sin necesidad de analizar toda la estructura molecular. Existen tres enfoques principales: a) Basados en patrones (template-based): utilizan reglas predefinidas para predecir cómo una molécula puede descomponerse en sus precursores. b) Basados en semi-patrones (semi-template-based): Combinan reglas predefinidas con modelos más flexibles. c) Sin patrones (template-free): Se basan en aprendi - zaje automático, generalmente deep learning, sin depen - der de reglas establecidas. El primer enfoque, basados en patrones, se basa en la identificación de estructuras dentro de la molécula para posteriormente poder aplicar reglas inversas para predecir los compuestos precursores. La desventaja de esta estrategia es la cantidad de patrones posibles ya que puede ser enorme (decenas de miles), lo que complica tanto el entrenamiento del modelo como su capacidad de hacer predicciones rápidas. Para solucionar este problema, los modelos basados en semi-patrones utilizan una versión más flexible de los patrones de reacción. Esto permite que, aunque una reac - ción específica no esté en los datos de entrenamiento, el modelo pueda reconocer su esencia y predecir sus precursores. Para aplicar este enfoque, primero es necesario iden - tificar el centro de reacción, es decir, la parte de la molé - cula donde ocurre la transformación. Luego se aplican los Biofármacos