Intelligenza artificiale Interviste

L’assistente chimico virtuale

Esplora le molecole intuitivamente, usando la conoscenza chimica.

Intervista a Alan Aspuru-Guzik

Responsabile del gruppo di fisica e chimica teorica, Dipartimento di chimica e biologia chimica, Harvard university

By Dicembre 2017Luglio 31st, 2020No Comments

Quali sono le principali difficoltà che voi ricercatori state affrontando in questo momento? Qual è la sfida principale?

Dal mio punto di vista la sfida principale per chi lavora nel campo dell’intelligenza artificiale applicata alla farmaceutica è quella di avere a disposizione dei buoni dati dai quali “imparare”. La questione chiave è avere accesso a set di dati di alta qualità per essere in grado di fare previsioni. A questo proposito alla Harvard university stiamo sviluppando modelli molto sofisticati in ambito chimico che stanno generando interesse da parte di aziende farmaceutiche. L’idea è che i nostri algoritmi possano essere usati anche nell’ambito della drug discovery, anche se non lavoriamo specificamente in quella direzione.

Più nel dettaglio, su che cosa state lavorando in questo momento?

Lavoriamo prevalentemente sulla ricerca di materiali organici funzionali utilizzati per assemblare i materiali elettronici e per lo stoccaggio di energia (batterie organiche, led organici, fotovoltaici organici) che abbiano dimensioni e complessità analoghe a quelle dei farmaci. Abbiamo impiegato con successo la chimica quantistica e i metodi di machine learning per progettare diodi organici emettitori di luce, a dimostrazione della potenza di queste tecniche. Inoltre abbiamo sviluppato modelli generativi, che permettano al computer di selezionare composti candidati per applicazioni particolari. Siamo molto eccitati per i risultati ottenuti dai nostri ecoder e dalle reti antagoniste generative (generative adversarial network).

Ci può spiegare in che cosa consistono?

I generative adversarial network sono una classe di algoritmi per l’intelligenza artificiale utilizzabili nell’apprendimento automatico. Si tratta di tecniche applicabili anche nella ricerca di nuovi farmaci, perché possono individuare nuovi candidati che non sono già inclusi nei database esistenti. Questa è una differenza fondamentale rispetto all’approccio di Reymond e colleghi e di altri che sviluppano invece “librerie” specifiche. I nostri algoritmi possono essere utilizzati per “addestrare” i nostri modelli, affinché diventino capaci di “immaginare” nuove molecole candidate simili a quelle già note e catalogate, ma con caratteristiche migliori rispetto a determinate proprietà molecolari.

Come e perché ha scelto di dedicarsi a questo particolare ambito di ricerca?

Il campo di ricerca del mio team è l’intersezione fra calcolo quantistico e chimica. In questo momento ci occupiamo di interfacciare la chimica con settori in rapida crescita, come il mondo della computazione. Da alcuni anni abbiamo cominciato a lavorare proprio con l’intelligenza artificiale, perché crediamo sia un settore in rapido movimento e per questo molto emozionante. Siamo certi che l’intelligenza artificiale arricchirà le possibilità dei chimici computazionali negli anni a venire.

[A cura di Cristina Da Rold]

 

Lascia un commento