Machine Learning está ajudando a aproveitar o poder das enzimas para uma química mais verde
As máquinas moleculares da
natureza podem acelerar o desenvolvimento de substitutos bioquímicos
ecologicamente corretos para processos industriais
Tornar os produtos que consumimos
mais sustentáveis é algo que o mundo precisa desesperadamente. E para a
fabricação de produtos químicos do dia-a-dia, a solução pode estar nas enzimas
- as minúsculas máquinas moleculares que aceleram as reações químicas que
mantêm quase todos os organismos vivos, além de catalisar muitos processos de
fabricação. No entanto, sua ampla adoção para uso industrial é atualmente
impedida pela dificuldade de escolher a enzima adequada para a reação química
certa.
Para resolver esse
quebra-cabeça de combinação, um modelo de aprendizado de máquina (Machine
Learning) foi construído para ajudar os cientistas a prever quais enzimas podem
ser substitutas adequadas para uma determinada reação. Isso permitiria uma
abordagem de processos mais sustentáveis e seguros, aproveitando
catalisadores biológicos que foram otimizados pelo processo evolutivo da
natureza em 3,5 milhões de anos.
As enzimas são os principais
aceleradores da maioria dos processos no corpo humano, desempenhando um papel
crítico em tudo, desde a digestão até a quebra de toxinas nocivas e a
replicação do DNA. A importância das enzimas vai além da bioquímica; elas
também são usadas para tornar os processos químicos industriais mais
sustentáveis, reduzindo o consumo de energia ou a quantidade de solventes
necessários para sua preparação.
 |
Ao fazer papel branco para impressão ou uso em cadernos por exemplo, a enzima
xilanase ajuda a reduzir a quantidade de alvejante de cloro e, ao assar, as
enzimas proteases ajudam os biscoitos a se desfazerem ao quebrar o glúten da
farinha de trigo. Mas ainda não existem muitas aplicações industriais em que as
enzimas sejam amplamente adotadas, porque escolher as certas é uma tarefa
difícil. Muitas vezes requer uma grande quantidade de conhecimento específico
que nenhum químico ou equipe de químicos poderia entender completamente.
É aqui que entra em jogo o
novo modelo de IA1 orientada por dados da IBM para planejamento de
síntese biocatalisada. O modelo é treinado em dados USPTO
publicamente disponíveis sobre biocatálise enzimática
que, em princípio, elimina a necessidade de um ser humano ser um especialista
em biocatálise para selecionar a enzima e o substrato necessários para obter
uma substância química desejada. Ao fazer isso, o modelo fecha uma lacuna de
conhecimento que muitas vezes impede que reações mais sustentáveis sejam
usadas na indústria.
A construção e o treinamento
do modelo IBM aproveitou o aprendizado de transferência multitarefa, pelo qual
o modelo aprende com um banco de dados de reações biocatalisadas e um banco de
dados maior contendo todos os tipos de reações químicas. Multitarefa seria como
aprender a tocar guitarra e baixo ao mesmo tempo. E no contexto da química,
isso significa que o modelo é treinado simultaneamente nos conjuntos de dados
gerais e específicos da reação enzimática, em vez de sequencialmente.
Acelerar a descoberta de
novos materiais está no centro dos esforços da IBM para ajudar
a inventar o que está por vir em ciência e engenharia. É o tipo de trabalho que está sendo feito com o RoboRXN, uma plataforma baseada em nuvem, orientada por dados e
alimentada por IA para automação de síntese química. Com o novo modelo de
aprendizado de máquina (Machine Learning), os recursos do RoboRXN estão sendo
expandidos para incluir uma nova ferramenta que facilita o uso de enzimas para
uma química mais ecológica.
O modelo treinado, bem como
o código, estão disponíveis publicamente para qualquer pessoa usar. A IBM
espera que os químicos os usem em seus projetos de pesquisa﹒Você pode baixar o código de
pesquisa de enzimas no GitHub
ou iniciar um projeto com um modelo treinado no
RXN
for Chemistry.
*Pode ver o texto completo aqui.
Referências
1. Probst, D., Manica, M., Teukam, Y, et al. Biocatalysed Synthesis Planning using Data-driven Learning. Nat Commun 13, 964 (2022).
Nenhum comentário