Recientemente, un equipo de científicos del Laboratorio Nacional del Noroeste del Pacífico ha presentado un revolucionario modelo llamado FragNet, que utiliza una Red Neuronal Gráfica (GNN, por sus siglas en inglés) para la predicción de propiedades moleculares, centrándose especialmente en su interpretabilidad a múltiples niveles. Este avance es significativo dentro de las áreas de diseño de fármacos y materiales de energía debido a la complejidad de algunas moléculas cuyos subestructuras no se conectan de manera tradicional.

El modelo FragNet se diferencia de otros por su capacidad no solo de igualar la precisión de predicciones de los modelos líderes, sino también de ofrecer interpretaciones detalladas a nivel de átomos, enlaces, fragmentos moleculares y conexiones entre fragmentos. Esta característica en particular es crucial para moléculas con subestructuras que no se conectan por medio de enlaces covalentes comunes, como ciertos compuestos usados en aplicaciones energéticas y farmacéuticas.

FragNet integre niveles de interpretabilidad que brindan capacidades de análisis que hasta ahora no se habían logrado en un solo marco. Las conexiones entre fragmentos permiten un paso de mensajes eficaz incluso entre aquellos no vinculados por enlaces tradicionales.

Los investigadores demostraron la eficacia de FragNet con una serie de estudios de caso en tareas de predicción de propiedades. En estos ensayos, se evidenció que las atenciones y valores de contribución del modelo coinciden con expectativas químicas bien establecidas, mejorando así la confiabilidad del proceso predictivo.

FragNet no solo resalta subestructuras importantes dentro de una molécula al hacer predicciones, sino que también cuantifica el impacto de fragmentos individuales, promoviendo innovaciones en el diseño molecular y descubrimiento de nuevos materiales. Se espera que esta capacidad de razonamiento y explicación impulse aún más la confianza en el uso de inteligencia artificial explicable en ciencias moleculares.

Finalmente, los avances logrados con FragNet no solo aportan a la precisión en las predicciones sin sacrificar interpretabilidad, sino que destacan el potencial de los modelos intrínsecamente explicables en contextos de alta relevancia científica como la salud y la energía, consolidando su posición como una herramienta valiosa para la ciencia del futuro.