FUNAMBULIST: IA para mejorar la síntesis química
La optimización de procesos de síntesis química ha sido históricamente uno de los grandes desafíos de la industria química, buscando máxima productividad, costes mínimos y, en el contexto actual, máxima sostenibilidad.
El reto es especialmente exigente en ámbitos de alto valor añadido como la cosmética o la industria farmacéutica, donde innovar implica trabajar con reacciones complejas, materiales caros y tiempos de desarrollo largos. En esos entornos, una parte importante del trabajo ocurre antes de que exista un proceso ‘industrializable’, estable y optimizado.
Identificar una ruta de síntesis, probarla y convertirla en un método fiable suele requerir numerosas rondas de ensayo y error. Cada iteración aporta información, pero también consume recursos.
La frontera entre el laboratorio y la producción industrial
Pensemos en un caso sencillo: queremos sintetizar una nueva molécula con propiedades y características específicas muy concretas. A partir de literatura científica y experiencia previa, el equipo de investigación identifica una ruta preliminar y selecciona reactivos, catalizadores, disolventes y condiciones orientativas (temperatura, presión, tiempos) que permiten obtener determinadas cantidades del compuesto deseado.
El primer problema aparece al probar esa receta en el laboratorio: el rendimiento es tremendamente bajo, con una producción muy reducida de la molécula objetivo, con reactivos sin convertir y la generación de subproductos indeseados.
A partir de ahí, surgen hipótesis razonables: quizá la mezcla contiene enantiómeros (moléculas iguales, pero con diferentes orientaciones espaciales) en los reactivos, una alta especificidad del catalizador (basado en cadenas de ADN) y una aparente baja solubilidad del sistema completo en el disolvente.
La IA redefine el flujo de trabajo científico sin alterar los fundamentos del método tradicional
El diagnóstico apunta a una conclusión clara: el proceso resulta ineficiente, aún está lejos de ser estable y está muy lejos de alcanzar las condiciones necesarias para su escalado industrial.
En un enfoque tradicional, este punto marca el inicio de una larga campaña experimental: formulación de nuevas hipótesis, ensayos sucesivos, análisis de cientos, cuando no miles, de resultados y un sinfín de iteraciones hasta dar con una ruta de síntesis realmente viable y eficiente.
La IA como aliada del método científico
En este contexto, la Inteligencia Artificial aporta un valor diferencial, redefiniendo el flujo general de trabajo, sin alterar los fundamentos del método científico:
- La IA no sustituye al conocimiento científico: se parte siempre de una hipótesis formulada por expertos, basada en datos, observaciones y experiencias previas.
- La hipótesis da lugar al diseño de experimentos, en los que se identifican y cuantifican todas las variables clave del sistema.
- Los resultados experimentales iniciales generan un conjunto de datos, que la Inteligencia Artificial analiza para detectar patrones, correlaciones y relaciones no evidentes a simple vista.
- En base a este análisis, es posible diseñar nuevos experimentos de forma más dirigida, orientados a explotar las combinaciones más prometedoras y con mayor probabilidad de éxito.
La Inteligencia Artificial se convierte así en una herramienta de optimización del método científico, capaz de guiar el proceso iterativo con mayor precisión y velocidad. Permite descartar combinaciones ineficaces, refinar —e incluso refutar— hipótesis iniciales hasta alcanzar soluciones de alta eficiencia, con una sólida base estadística.
El papel de Izertis en FUNAMBULIST
Izertis participa en el proyecto europeo FUNAMBULIST (FUnctional Nucleic Acids as Versatile SMart BUilding BLocks in Non-ConventIonal SolvenTs), financiado por el programa EIC Pathfinder de Horizon Europe. El proyecto contribuye al desarrollo y prueba de herramientas de inteligencia artificial orientadas a apoyar la optimización de procesos de síntesis.
FUNAMBULIST se apoya en la colaboración entre distintos socios europeos, entre ellos la Universidad del País Vasco (coordinadora), la Universidad de Bonn, la Universidad de Estrasburgo y la Universidad de Lisboa. La combinación de capacidades (investigación académica, experimentación y soporte tecnológico) permite abordar el problema desde varios ángulos.
FUNAMBULIST une investigación, experimentación y tecnología
El objetivo final es avanzar hacia una producción más eficiente de compuestos químicos finos, un segmento donde una parte relevante del coste se concentra en las etapas de separación y purificación.
Mejorar las condiciones de síntesis puede traducirse en menos subproductos, procesos más estables y una menor carga en esas fases posteriores.
En ese marco, la IA que se trabaja desde Izertis actúa como un apoyo práctico: ayuda a interpretar resultados experimentales y a planificar mejor los siguientes pasos, con el fin de acelerar la llegada a procesos más robustos y sostenibles.