Scienziati dalla Russia, Estonia e Regno Unito hanno creato un nuovo metodo per prevedere il fattore di bioconcentrazione (BCF) delle molecole organiche. Sfruttando i modelli classici delle interazioni fisico-chimiche tra il solvente e il soluto e metodi avanzati di apprendimento automatico, il nuovo approccio consente di prevedere proprietà complesse di una sostanza sulla base di un insieme minimo di dati di input. I risultati dello studio sono stati pubblicati in Journal of Physics:materia condensata .
Una delle caratteristiche più importanti delle sostanze organiche, BCF rappresenta quanto di una sostanza è concentrata in un tessuto rispetto a quanta di quella sostanza esiste nell'ambiente in condizioni di equilibrio. Il BCF è ampiamente utilizzato nella valutazione della sicurezza di vari composti chimici e può essere misurato nella pratica. Per esempio, puoi mettere una sostanza chimica di prova nell'acquario, attendere che venga raggiunto l'equilibrio, e poi misurarne la concentrazione sia nel pesce che nell'acqua. Ma cosa succede se si desidera stimare il BCF basandosi solo sui calcoli?
Un modo per farlo è generare un insieme di parametri molecolari (descrittori) e costruire un modello matematico basato su questi input. Il modello può risultare abbastanza accurato, ma può essere difficile da interpretare a causa di un gran numero di parametri. E peggio ancora, il modello potrebbe non funzionare correttamente per composti molto diversi da quelli del training set.
Il secondo metodo si basa sulla teoria molecolare dei liquidi che descrive il comportamento delle sostanze nelle soluzioni. Però, la bioconcentrazione è un parametro complesso che dipende da una varietà di fattori, quindi difficilmente può essere previsto applicando direttamente la teoria fisico-chimica.
Scienziati di Skoltech, l'Università di Tartu (Estonia) e l'Università di Strathclyde (Regno Unito), guidato dal professor Skoltech Maxim Fedorov, ha sviluppato un metodo di previsione BCF ibrido che consiste in due fasi:prima i ricercatori effettuano calcoli fisico-chimici per ottenere densità 3-D di idrogeno e ossigeno attorno alla molecola in studio e quindi applicano reti neurali convoluzionali 3-D ‒ una tecnologia utilizzata con successo in riconoscimento delle immagini. Questo approccio dimostra che le proprietà complesse delle sostanze organiche possono essere descritte anche con una piccola quantità di dati di input.
"Il nostro metodo renderà molto più facile prevedere l'impatto ambientale di una determinata sostanza. Ma la cosa più importante è che abbiamo sviluppato un metodo universale per descrivere una molecola in modo tale che la sua immagine 3D possa essere trasferita a un Rete neurale convoluzionale 3-D A lungo termine, il nostro metodo aiuterà a prevedere le proprietà di varie molecole "esotiche" e nuovi composti in cui i metodi esistenti di relazione struttura-proprietà non funzionano, " ha detto il primo autore e studente di Ph.D. Skoltech Sergey Sosnin.
