Revista Farmabiotec - Número 17

40 farmaBIOTEC #17 semi-patrones a este centro de reacción para generar las moléculas precursoras. La gran ventaja de este método es que lo hace mucho más eficiente, reduciendo drástica - mente la cantidad de opciones a considerar, de decenas de miles a solo unos pocos cientos. Sin embargo, el desa - fío radica en mantener la precisión química, ya que el uso de reglas más generales aumenta el número de posibles soluciones para cada retrosíntesis. Los modelos sin patrones también comienzan identifi - cando el centro de reacción, sin embargo, utilizan mode - los generativos basados en inteligencia artificial, simi - lares a un ChatGPT entrenado para predecir reacciones químicas. Estos modelos aprenden a partir de ejemplos de reac - ciones reales y generan precursores moleculares inten - tando mantener la coherencia química. Sin embargo, al no seguir reglas estrictas, pueden ser más creativos al proponer nuevas rutas, pero también cometer errores, incluso rompiendo principios fundamentales como el mapeo correcto de los átomos entre los productos y sus precursores. En general, hay un equilibrio entre precisión y creativi - dad en los métodos de retrosíntesis: a) Modelos basados en patrones (template-based): Son los más precisos, pero limitados a las reacciones en sus datos de entrenamiento. b) Modelos semi-template-based: Logran un balance entre precisión y flexibilidad. c) Modelos sin patrones (template-free): Pueden gene - rar rutas innovadoras, pero con mayor riesgo de errores. El éxito de estos algoritmos depende en gran medida de la calidad y cantidad de datos disponibles. Aunque existen repositorios públicos como USPTO, Reaxys o SciFinder, presentan problemas como errores en las entradas, datos incompletos y falta de información sobre reacciones falli - das, lo que dificulta el aprendizaje de los modelos de IA. A pesar de los avances en química sintética, sigue exis - tiendo el desafío de mantener las bases de datos actua - lizadas para reflejar nuevas reacciones y métodos emer - gentes. Esto requiere no solo esfuerzos de digitalización y análisis, sino también la integración de conocimientos expertos para mejorar la calidad de los datos. Además, es fundamental filtrar metodologías ineficientes, contami - nantes o que utilicen compuestos peligrosos, asegurando un enfoque más sostenible en la química computacional. Referencias • Strieth-Kalthoff, F.; Szymkuć, S.; Molga, K.; Aspuru- Guzik, A.; Glorius, F.; Grzybowski, B. A. Artificial Intelligence for Retrosynthetic Planning Needs Both Data and Expert Knowledge. J. Am. Chem. Soc. 2024, 146, 11005–11017. https://doi.org/10.1021/jacs.4c00338 • Zhong, Z.; Song, J.; Feng, Z.; Liu, T.; Jia, L.; Yao, S.; Hou, T.; Song, M. Recent Advances in Artificial Intelligence for Retrosynthesis. arXiv 2023, arXiv:2301.05864. https://doi. org/10.48550/arXiv.2301.05864 • Reker, D.; De Fabritiis, G. Computational Retrosynthesis and Reaction Prediction Using Machine Learning. Nat. Commun. 2023, 14, 41698. https://doi.org/10.1038/ s41467-023-41698-5. • Jiang, Y.; Yu, Y.; Kong, M.; Mei, Y.; Yuan, L.; Huang, Z.; Kuang, K.; Wang, Z.; Yao, H.; Zou, J.; Coley, C. W.; Wei, Y. Artificial Intelligence for Retrosynthesis Prediction. Engineering 2023, 25, 32–50. https://doi.org/10.1016/j.eng.2022.04.021 • Gao, Z.; Tan, C.; Wu, L.; Li, S. Z. SemiRetro: Semi-template Framework Boosts Deep Retrosynthesis Prediction. arXiv 2022, arXiv:2202.08205. https://arxiv.org/abs/2202.08205 • Chen, B.; Li, C.; Dai, H.; Song, L. Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search. arXiv 2020, arXiv:2006.15820. https://arxiv.org/abs/2006.15820 Biofármacos A pesar de los avances en química sintética, sigue existiendo el desafío de mantener las bases de datos actualizadas para reflejar nuevas reacciones y métodos emergentes. Esto requiere no solo esfuerzos de digitalización y análisis, sino también la integración de conocimientos expertos para mejorar la calidad de los datos.