Identificar quina molècula concreta correspon a un espectre de masses és un dels colls d'ampolla clàssics de la química analítica i la biologia: les biblioteques amb espectres mesurats experimentalment només cobreixen una fracció petita de les molècules que existeixen, i moltíssimes senyals detectades en mostres reals queden sense identificar per falta de referència amb què comparar-les.
Un equip liderat per Frank Schroeder, del Boyce Thompson Institute i el departament de química de la Universitat Cornell, i Carla Gomes, directora de l'Institut d'IA per a la Ciència de Cornell, ha presentat AIMe (AI Molecule Explorer), una eina neurosimbòlica que, en lloc d'esperar que s'acumulin espectres mesurats al laboratori, els prediu computacionalment. Al seu nucli hi ha DeepMS2Reasoner, un model que simula com es fragmenta una molècula dins d'un espectròmetre de masses combinant regles químiques simbòliques —que enumeren els trencaments físicament possibles— amb una xarxa neuronal que n'estima la probabilitat. Amb aquest mètode, l'equip ha generat més de 800 milions d'espectres predits que cobreixen pràcticament totes les molècules petites conegudes de PubChem, la base de dades química pública més gran que existeix, un salt d'unes mil vegades respecte a les biblioteques experimentals actuals. Aplicat a dades de microbioma intestinal humà, AIMe ha permès anotar 2,69 milions d'agrupacions d'espectres no identificats de la base de dades pública GNPS i ha destapat una poliamina macrocíclica —un compost en forma d'anell— fins ara desconeguda, present en 57 de 99 mostres fecals humanes analitzades.
La notícia és rellevant perquè es tracta d'una expansió de tres ordres de magnitud en l'espai químic que es pot cercar per identificar espectres, i perquè no es queda en un exercici teòric: ha portat directament a la troballa d'un compost real i mai descrit fins ara en mostres humanes. Schroeder ho resumeix així: «Dos compostos en particular s'han convertit en un cas d'estudi del que pot aconseguir l'elucidació d'estructures guiada per IA».
Cal tenir presents els límits del treball: es tracta, de moment, d'un preprint encara no revisat per parells formalment, i els espectres que genera AIMe són prediccions computacionals, no mesures directes, de manera que cada nova identificació —com la poliamina trobada al microbioma— necessita confirmació experimental posterior, com la que els mateixos autors afirmen haver fet en aquest cas concret.