Tecnologia Científica

Nova aplicação de aprendizado de máquina para ajudar pesquisadores a prever propriedades químicas
O ChemXploreML torna as previsões químicas avançadas mais fáceis e rápidas — sem exigir habilidades profundas de programação.
Por Danielle Randall Doughty - 31/07/2025


Pesquisadores do MIT desenvolveram o ChemXploreML, um novo aplicativo de desktop que fornece uma abordagem automatizada e fácil de usar para prever propriedades moleculares usando aprendizado de máquina, tornando métodos avançados de aprendizado de máquina acessíveis aos químicos sem exigir ampla experiência em programação. Créditos: Imagem cortesia dos pesquisadores.


Um dos objetivos fundamentais e compartilhados pela maioria dos pesquisadores químicos é a necessidade de prever as propriedades de uma molécula, como seu ponto de ebulição ou fusão. Uma vez que os pesquisadores consigam identificar essa previsão, eles podem prosseguir com seu trabalho, gerando descobertas que levam a medicamentos, materiais e muito mais. Historicamente, no entanto, os métodos tradicionais de desvendar essas previsões estão associados a um custo significativo — gasto de tempo e desgaste de equipamentos, além de recursos financeiros.

Entra em cena um ramo da inteligência artificial conhecido como aprendizado de máquina (ML). O ML aliviou um pouco a carga da previsão de propriedades moleculares, mas as ferramentas avançadas que agilizam o processo de forma mais eficaz — aprendendo com dados existentes para fazer previsões rápidas para novas moléculas — exigem que o usuário tenha um nível significativo de conhecimento em programação. Isso cria uma barreira de acessibilidade para muitos químicos, que podem não ter a proficiência computacional significativa necessária para navegar pelo pipeline de previsão. 

Para amenizar esse desafio, pesquisadores do Grupo de Pesquisa McGuire do MIT criaram o ChemXploreML , um aplicativo desktop de fácil utilização que ajuda os químicos a fazer essas previsões cruciais sem a necessidade de habilidades avançadas de programação. Disponível gratuitamente, fácil de baixar e funcional em plataformas tradicionais, este aplicativo também foi desenvolvido para operar totalmente offline, o que ajuda a manter os dados de pesquisa proprietários. A nova e empolgante tecnologia é descrita em um artigo publicado recentemente no Journal of Chemical Information and Modeling .

Um obstáculo específico no aprendizado de máquina químico é traduzir estruturas moleculares para uma linguagem numérica que os computadores possam entender. O ChemXploreML automatiza esse processo complexo com poderosos "embedders moleculares" integrados que transformam estruturas químicas em vetores numéricos informativos. Em seguida, o software implementa algoritmos de última geração para identificar padrões e prever com precisão propriedades moleculares, como pontos de ebulição e fusão, tudo por meio de uma interface gráfica intuitiva e interativa. 

"O objetivo do ChemXploreML é democratizar o uso do aprendizado de máquina nas ciências químicas", afirma Aravindh Nivas Marimuthu, pós-doutorando no Grupo McGuire e principal autor do artigo. "Ao criar um aplicativo desktop intuitivo, poderoso e com capacidade offline, estamos colocando a modelagem preditiva de última geração diretamente nas mãos dos químicos, independentemente de sua formação em programação. Este trabalho não apenas acelera a busca por novos fármacos e materiais, tornando o processo de triagem mais rápido e barato, mas seu design flexível também abre portas para inovações futuras." 

O ChemXploreML foi projetado para evoluir ao longo do tempo, de modo que, à medida que técnicas e algoritmos futuros forem desenvolvidos, eles possam ser perfeitamente integrados ao aplicativo, garantindo que os pesquisadores sempre possam acessar e implementar os métodos mais atualizados. O aplicativo foi testado em cinco propriedades moleculares principais de compostos orgânicos — ponto de fusão, ponto de ebulição, pressão de vapor, temperatura crítica e pressão crítica — e alcançou altos índices de precisão de até 93% para a temperatura crítica. Os pesquisadores também demonstraram que um novo método mais compacto de representação de moléculas (VICGAE) era quase tão preciso quanto os métodos padrão, como Mol2Vec, mas até 10 vezes mais rápido.

“Vislumbramos um futuro em que qualquer pesquisador pode facilmente personalizar e aplicar o aprendizado de máquina para resolver desafios únicos, desde o desenvolvimento de materiais sustentáveis até a exploração da química complexa do espaço interestelar”, afirma Marimuthu. O autor sênior e professor assistente de desenvolvimento de carreira em química da turma de 1943, Brett McGuire, se junta a ele no artigo.

 

.
.

Leia mais a seguir