{"id":2604,"date":"2023-09-21T09:46:07","date_gmt":"2023-09-21T09:46:07","guid":{"rendered":"https:\/\/internationalworldgroup.it\/?p=2604"},"modified":"2023-09-21T09:46:08","modified_gmt":"2023-09-21T09:46:08","slug":"lintelligenza-artificiale-e-i-progressi-della-chimica-2","status":"publish","type":"post","link":"https:\/\/internationalworldgroup.it\/index.php\/2023\/09\/21\/lintelligenza-artificiale-e-i-progressi-della-chimica-2\/","title":{"rendered":"L\u2019intelligenza artificiale e i progressi della chimica. 2"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Come precedentemente abbiamo visto, nel corso dei recenti anni i tipi di rappresentazione chimica hanno sviluppato diversi sottotipi; per\u00f2 sfortunatamente, non esiste una risposta chiara su quale sia la rappresentazione pi\u00f9 efficiente per un particolare problema. Ad esempio, le rappresentazioni delle matrici sono spesso la prima scelta per la previsione degli attributi, ma negli ultimi anni anche i grafici sono emersi come forti alternative. \u00c8 anche importante notare che possiamo combinare pi\u00f9 tipi di rappresentazioni a seconda del problema.<br>Perci\u00f2 come (e quali) rappresentazioni possono essere utilizzate per esplorare lo spazio chimico? Abbiamo gi\u00e0 detto che le rappresentazioni di stringhe sono adatte alla modellazione generativa. Inizialmente le rappresentazioni grafiche non erano facili da modellare utilizzando modelli generativi, ma pi\u00f9 recentemente la loro combinazione con VAE (Varational Autoencoder) le ha rese un fattore molto interessante.<br>Nell\u2019apprendimento automatico, un autoencoder variazionale \u00e8 un\u2019architettura di rete neurale artificiale introdotta da Diederik P. Kingma e Max Welling; esso fa parte delle famiglie dei modelli grafici probabilistici e dei metodi bayesiani variazionali (famiglia di tecniche per l\u2019approssimazione degli integrali).<br>I VAE si sono rivelati particolarmente utili in quanto ci consentono di avere una rappresentazione continua pi\u00f9 leggibile dalla macchina. Uno studio ha utilizzato i VAE per dimostrare che sia le rappresentazioni di stringhe che quelle di grafici possono essere codificate e decodificate in uno spazio in cui le molecole non sono pi\u00f9 discrete ma possono essere decodificate in vettori continui con valori reali di rappresentazioni di molecole, e la distanza euclidea tra diversi vettori corrisponder\u00e0 alla somiglianza chimica. Un altro modello viene aggiunto tra il codificatore e il decodificatore per prevedere l\u2019attributo da raggiungere in qualsiasi punto dello spazio.<br>Ma mentre generare molecole in s\u00e9 \u00e8 un compito semplice \u2013 si pu\u00f2 prendere qualsiasi modello generativo e applicarlo alla rappresentazione che si desidera \u2013 generare strutture che siano chimicamente valide e mostrino le propriet\u00e0 che desideriamo \u00e8 una questione molto pi\u00f9 impegnativa.<br>Gli approcci iniziali per raggiungere questo obiettivo implicano modelli su set di dati esistenti e il loro successivo utilizzo per il trasferimento verso l\u2019apprendimento. Il modello viene messo a punto attraverso un set di dati di calibrazione per consentire la generazione di strutture orientate verso propriet\u00e0 specifiche, che possono poi essere ulteriormente calibrate utilizzando diversi algoritmi. Numerosi esempi di tutto questo implicano l\u2019uso di rappresentazioni di stringhe o grafici; tuttavia, si incontrano difficolt\u00e0 con la validit\u00e0 chimica o le propriet\u00e0 desiderate quando esse non vengono ottenute con successo. Inoltre, fare affidamento su set di dati limita lo spazio di ricerca e introduce pregiudizi potenzialmente indesiderati.<br>Un tentativo per migliorare \u00e8 quello di utilizzare i processi decisionali di Markov (Markov Decision Process, MDP) per garantire la validit\u00e0 delle strutture chimiche e ottimizzare l\u2019MDP stesso in modo da ottenere le propriet\u00e0 desiderate attraverso il Q-learning profondo (algoritmo di apprendimento per rinforzo senza modello, per trarre il valore di un\u2019azione in uno stato particolare). In matematica, un MDP \u00e8 un processo di controllo stocastico a tempo discreto (funzione o segnale, con valori forniti in corrispondenza ad una serie di tempi scelti nel dominio dei numeri interi). Fornisce un quadro matematico per modellare il processo decisionale in situazioni in cui i risultati sono in parte casuali e in parte sotto il controllo di un decisore. I MDP sono utili per studiare problemi di ottimizzazione risolti tramite la programmazione. Essi sono utilizzati in molte discipline, tra cui la robotica, il controllo automatico, l\u2019economia e la produzione. Il MDP prende nome dal matematico russo Andrej Andreevi\u010d Markov (1856-1922).<br>Un vantaggio particolare di questo modello \u00e8 che consente agli utenti di visualizzare la preferenza di diverse azioni: (a) visualizzare il grado di preferenza per determinate azioni (1 \u00e8 la massima preferenza, 0 la meno preferita); e (b) adottare misure per massimizzare la stima quantitativa della somiglianza del farmaco per la molecola di partenza.<br>Sebbene sia ancora agli inizi, l\u2019uso dell\u2019intelligenza artificiale per esplorare lo spazio chimico si sta gi\u00e0 rivelando una grande promessa. Ci fornisce un nuovo paradigma per esplorare lo spazio chimico e un nuovo modo per testare teorie e ipotesi. Sebbene l\u2019empirismo non sia accurato come la ricerca sperimentale, i metodi basati sul calcolo rimarranno un\u2019area di ricerca attiva per il prossimo futuro e faranno gi\u00e0 parte di qualsiasi gruppo di ricerca.<br>Finora abbiamo visto come l\u2019intelligenza artificiale possa aiutare a scoprire nuove sostanze chimiche pi\u00f9 rapidamente sfruttando algoritmi generativi per cercare nello spazio chimico. Sebbene questo sia uno dei casi d\u2019uso pi\u00f9 degni di nota, non si ferma qui. L\u2019intelligenza artificiale viene applicata a molti altri problemi in chimica, tra cui:<br>1. Lavoro automatizzato in laboratorio. Si possono utilizzare tecniche di apprendimento automatico per accelerare i flussi di lavoro di sintesi. Un approccio utilizza i laboratori a guida autonoma per automatizzare le attivit\u00e0 di routine, ottimizzare la spesa in risorse e risparmiare tempo. Un esempio relativamente nuovo, ma degno di nota, \u00e8 l\u2019uso della piattaforma robotica Ada, per automatizzare la sintesi, l\u2019elaborazione e la caratterizzazione di materiali. Gli strumenti di Ada sono sviluppati per fornire previsioni e modelli utili ad automatizzare i processi ripetitivi, grazie a sistemi di machine learning e tecnologie di intelligenza artificiale per la raccolta, la comprensione e l\u2019elaborazione dei dati, cos\u00ec da consentire alle risorse di dedicarsi ad attivit\u00e0 a maggior valore aggiunto.<br>Ada in pratica \u00e8 un laboratorio che scopre e sviluppa nuovi materiali organici a film sottile senza alcuna supervisione umana. La sua produttivit\u00e0 sta ponendo in imbarazzo la maggior parte dei neolaureati. L\u2019intero ciclo di fabbricazione del film sottile, dalla miscelazione dei precursori chimici, alla deposizione e alla ricottura termica, fino alla caratterizzazione elettrica e ottica finale, richiede solo venti minuti. Un ulteriore ausilio \u00e8 l\u2019uso di un robot chimico mobile in grado di azionare strumenti ed eseguire misurazioni su 688 esperimenti nell\u2019arco di otto giorni.<br>2. Previsione della reazione chimica. Si possono utilizzare modelli di classificazione per prevedere il tipo di reazione che si verificher\u00e0, oppure semplificare il problema e prevedere se si verificher\u00e0 una determinata reazione chimica.<br>3. Estrazione di dati chimici (data mining). La chimica, come molte altre discipline, dispone di un\u2019ampia letteratura scientifica per lo studio di andamenti e correlazioni. Un esempio notevole \u00e8 il data mining delle grandi quantit\u00e0 di informazioni fornite dal Progetto Genoma Umano per identificare le tendenze nei dati genomici.<br>4. Infine, sebbene la nuova tendenza basata sui dati si stia sviluppando rapidamente e abbia avuto un grande impatto, comporta anche molte nuove sfide, tra cui il divario tra calcolo ed esperimento. Sebbene i metodi computazionali mirino a contribuire al raggiungimento degli obiettivi degli esperimenti, i risultati dei primi non sono sempre trasferibili ai secondi. Ad esempio, quando utilizziamo l\u2019apprendimento automatico per trovare molecole candidate, dobbiamo tenere presente che le molecole raramente sono uniche nei loro percorsi sintetici, ed \u00e8 spesso difficile sapere se una reazione chimica inesplorata funzioner\u00e0 nella pratica. Anche se funziona, ci sono problemi con la resa, la purezza e l\u2019isolamento del composto in oggetto di studio.<br>5. Il divario tra il lavoro computazionale e quello sperimentale diventa ancora pi\u00f9 ampio, poich\u00e9 i metodi computazionali impiegano metriche che non sono sempre trasferibili a quest\u2019ultimo, come l\u2019elettrodinamica quantistica (Quantum Electrodynamics, QED) che descrive tutti i fenomeni che coinvolgono le particelle cariche interagenti per mezzo della forza elettromagnetica, per cui la sua verifica sperimentale potrebbe non essere fattibile. Vi \u00e8 inoltre la necessit\u00e0 di un database migliore, per\u00f2 sorge la mancanza di parametri di riferimento. Poich\u00e9 l\u2019intero spazio chimico \u00e8 infinito, si spera di avere un campione sufficientemente ampio che possa aiutare nella successiva generalizzazione. Tuttavia, la maggior parte dei database attuali sono progettati per scopi diversi e spesso utilizzano formati di file differenti; alcuni di essi non dispongono di procedure di convalida per gli invii o non sono progettati, se pensiamo ai compiti dell\u2019intelligenza artificiale. Va pure detto che la maggior parte dei database di cui disponiamo hanno una portata limitata di dati chimici: contengono solo determinati tipi di molecole; inoltre la maggior parte dei compiti che implicano l\u2019uso dell\u2019intelligenza artificiale per le previsioni chimiche non dispongono di una piattaforma di riferimento, rendendo impraticabili i confronti tra molti studi diversi.<br>Uno dei motivi principali del successo di AlphaFold \u2013 come abbiamo gi\u00e0 visto \u00e8 un programma di intelligenza artificiale sviluppato da DeepMind (Alphabet\/Google) per predire la struttura tridimensionale delle proteine \u2013 \u00e8 che ha fornito tutto quanto sopra come parte della valutazione critica del Protein Structure Prediction \u2013 ossia previsione della struttura proteica, quale deduzione della struttura tridimensionale di una proteina dalla sua sequenza di aminoacidi, ovvero la previsione della sua struttura secondaria e terziaria dalla struttura primaria \u2013 tale valutazione dimostra la necessit\u00e0 di sforzi organizzati per semplificare e migliorare altri compiti che coinvolgono la previsione chimica.<br>In conclusione, mentre continuiamo ad avanzare nell\u2019era digitale, nuovi algoritmi e hardware pi\u00f9 potenti continueranno a sollevare il velo su problemi precedentemente intrattabili. L\u2019integrazione dell\u2019intelligenza artificiale nella scoperta chimica \u00e8 ancora agli inizi, ma \u00e8 gi\u00e0 un luogo comune sentir dire \u00abscoperta guidata dai dati\u00bb.<br>Molte aziende, siano esse giganti farmaceutici o start-up di recente fondazione, hanno adottato molte delle tecnologie di cui sopra e hanno apportato maggiore automazione, efficienza e riproducibilit\u00e0 alla chimica. L\u2019intelligenza artificiale ci consente di condurre la scienza su una scala senza precedenti e negli ultimi anni ci\u00f2 ha generato molte iniziative e attirato finanziamenti che continueranno a condurci ulteriormente verso un\u2019era di scoperta scientifica autonoma.\u00a0<em>(2. continua)<\/em><\/p>\n\n\n\n<p class=\"has-text-align-right wp-block-paragraph\">Giancarlo Elia Valori<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Come precedentemente abbiamo visto, nel corso dei recenti anni i tipi di rappresentazione chimica hanno sviluppato diversi sottotipi; per\u00f2 sfortunatamente, non esiste una risposta chiara su quale sia la rappresentazione pi\u00f9 efficiente per un particolare problema. Ad esempio, le rappresentazioni delle matrici sono spesso la prima scelta per la previsione degli attributi, ma negli ultimi [&hellip;]<\/p>\n","protected":false},"author":2,"featured_media":2605,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-2604","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news-ita"],"_links":{"self":[{"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/posts\/2604","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/comments?post=2604"}],"version-history":[{"count":1,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/posts\/2604\/revisions"}],"predecessor-version":[{"id":2606,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/posts\/2604\/revisions\/2606"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/media\/2605"}],"wp:attachment":[{"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/media?parent=2604"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/categories?post=2604"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/internationalworldgroup.it\/index.php\/wp-json\/wp\/v2\/tags?post=2604"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}