Molecular property prediction is a computational method using graph neural networks and AI to estimate material characteristics without laboratory experiments.La predicción de propiedades moleculares es un campo interdisciplinario en la intersección de la química, la física y la informática, donde los modelos informáticos se entrenan con datos experimentales para estimar las características de las moléculas sin síntesis de laboratorio. Los modelos pueden basarse en leyes físicas (mecánica cuántica) o en el análisis estadístico de grandes volúmenes de datos (aprendizaje automático). Predicen parámetros como toxicidad, actividad biológica, solubilidad, punto de fusión e incluso el color de la sustancia.
Las raíces se remontan a la década de 1960, cuando Corwin Hansch formuló las relaciones cuantitativas estructura-propiedad (QSAR), proponiendo ecuaciones lineales que vinculan la hidrofobicidad de los sustituyentes con la actividad biológica. En los años 1970-80, el desarrollo de la computación permitió incluir índices químico-cuánticos y descriptores tridimensionales. El punto de inflexión llegó en la década de 2010 con la aparición del aprendizaje profundo y la disponibilidad de GPU: los modelos aprendieron a "leer" moléculas directamente desde la estructura del grafo, logrando alta precisión en la predicción de solubilidad, toxicidad y energías de estados excitados. Hoy, la predicción de propiedades es parte integral del cribado virtual en farmacia y del diseño de nuevos materiales.
La base de cualquier predicción es la representación de la molécula en un espacio de descriptores o una representación vectorial. Los descriptores más simples son el conteo de átomos de un cierto tipo, la masa molecular, el área superficial. Los más complejos codifican información sobre anillos, donantes/aceptores de enlaces de hidrógeno, cargas parciales (calculadas, por ejemplo, mediante el método de Gasteiger). En las redes neuronales de grafos, cada átomo recibe un vector de características que se actualiza iterativamente con mensajes de los átomos vecinos; el vector molecular final se agrega y se pasa a una capa totalmente conectada que emite la predicción. El entrenamiento minimiza una función de pérdida, como el error cuadrático medio para propiedades continuas o la entropía cruzada para clasificación. Las leyes físicas más importantes en las que se basan los métodos cuánticos son: la ecuación de Schrödinger (estacionaria y dependiente del tiempo) y el principio de Pauli (prohibición de que dos fermiones ocupen el mismo estado cuántico). Para los modelos estadísticos, la física explícita no es necesaria, pero la elección de características a menudo está motivada por el principio "similar es similar": moléculas similares tienen propiedades cercanas. La calidad del modelo se verifica en un conjunto de prueba utilizando métricas (R², RMSE, AUC).
Acelera el desarrollo de nuevos materiales y medicamentos, desde plásticos biodegradables hasta fármacos dirigidos contra el cáncer.
Los algoritmos modernos pueden comprobar millones de variantes moleculares en segundos para un nuevo fármaco, mientras que la síntesis y prueba de una sola molécula en el laboratorio lleva semanas y cuesta miles de dólares.
















