Connor Coley, profesor asociado del MIT, desarrolla modelos de inteligencia artificial que integran principios químicos para analizar y priorizar candidatos dentro del enorme universo de pequeñas moléculas. El objetivo explícito es concentrar los esfuerzos experimentales en compuestos con mayor probabilidad de éxito, usando modelos capaces de evaluar millones —y en muchos casos cantidades aún mayores — de estructuras, generar diseños novedosos y proponer rutas de reacción que permitirían sintetizarlos.
La motivación del proyecto responde a una cuestión de escala: estimaciones citadas sitúan el número de compuestos con potencial farmacológico entre 10^20 y 10^60. Frente a esa magnitud, el examen experimental exhaustivo resulta inviable. Para abordarlo, el grupo de Coley combina métodos de cheminformática y aprendizaje automático con modelos informados por la química misma, de modo que las predicciones no sean meramente estadísticas sino que reflejen restricciones y posibilidades sintéticas reales.
Además del desarrollo computacional, su trabajo incorpora avances en automatización de laboratorio. Coley ha trabajado en hardware capaz de ejecutar reacciones de forma automatizada; esa combinación — predicción de rutas y ejecución robótica — permite no solo priorizar compuestos sino también acelerar la verificación experimental de las hipótesis generadas por los modelos, acortando ciclos de descubrimiento y reduciendo recursos de laboratorio.
Parte de los esfuerzos de Coley se realizaron en el marco del programa DARPA Make — It, orientado a mejorar la síntesis de fármacos mediante machine learning y ciencia de datos. Ese contexto puso el foco en integrar datos de reacciones, conocimientos químicos y estrategias algorítmicas para que la predicción de síntesis sea práctica y transferible a procesos reales de laboratorio.
La trayectoria académica de Coley aporta continuidad a su enfoque interdisciplinario: es PhD ’19 y ocupa la cátedra Class of 1957 Career Development Associate Professor con nombramientos en el Departamento de Ingeniería Química y en Electrical Engineering and Computer Science, además de participación en el MIT Schwarzman College of Computing. Sus antecedentes incluyen una formación temprana intensa — participación en Science Olympiad y graduación de la secundaria a los 16 años— y estudios de Ingeniería Química en Caltech.
Durante su pregrado en Caltech, Coley trabajó en biología estructural y utilizó Fortran para ayudar a resolver estructuras cristalinas de proteínas, experiencia que le aportó habilidades de programación y análisis de datos aplicables a problemas complejos. Llegó al MIT en 2014 para iniciar su doctorado, donde fue asesorado por Klavs Jensen y William Green; en ese periodo su investigación se centró en optimizar reacciones químicas automatizadas mediante aprendizaje automático y análisis de datos químicos.
Tras su doctorado, Coley realizó una estancia posdoctoral en el Broad Institute, focalizada en métodos para identificar pequeñas moléculas con capacidad de unión a objetivos entre bibliotecas codificadas por ADN que contienen miles de millones de candidatos. Aceptó un puesto en el MIT a los 25 años, pospuso su incorporación un año para completar la estancia posdoctoral y regresó en 2020 para fundar su propio laboratorio.
En el panorama más amplio, su trabajo refleja una tendencia creciente en la academia y la industria: el uso de IA para filtrar y priorizar candidatos químicos cuando el cribado experimental a gran escala es inviable. La propuesta de Coley — fusionar principios químicos explícitos con modelos de machine learning y capacidades experimentales automatizadas — pretende convertir esa filtración en una herramienta práctica que acelere la identificación de fármacos de pequeña molécula y optimice el uso de recursos experimentales.
Fuentes
Respuestas (0)
Aún no hay respuestas en este tema.
