3.13.2 CTC/Aprendizaje Automático en el Descubrimiento Químico

Aplicación del aprendizaje estadístico y la inteligencia artificial para predecir propiedades moleculares y acelerar el descubrimiento de nuevos materiales.
Temas:
Core

• Descriptores químicos: huellas moleculares (fingerprints), SMILES y grafos moleculares
• Modelos de relación cuantitativa estructura-actividad (QSAR) usando regresión supervisada y clasificación
• Redes Neuronales de Grafos (GNN) para aprender propiedades moleculares directamente de estructuras de grafos químicos
• Modelos generativos (VAE, difusión, basados en transformadores) para el diseño molecular de novo
• Validación de modelos: validación cruzada, dominio de aplicabilidad y diversidad del espacio químico en conjuntos de entrenamiento

Aprendizaje esperado (Learning Outcomes):
Core:

1. Definir y comparar diferentes representaciones moleculares y explicar su idoneidad para tareas específicas de aprendizaje automático [Familiarizarse]
2. Entrenar un modelo de regresión QSAR para predecir una propiedad molecular a partir de descriptores y evaluar su desempeño con métricas estándar de regresión [Usar]
3. Evaluar la validez, diversidad y novedad de las moléculas generadas por un modelo de aprendizaje profundo usando métricas de referencia estándar [Evaluar]