Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)Blanco Tirado, CristianCombariza Montañez, Marianny YajairaCombariza Montañez, Aldo FabrizzioDíaz Sánchez, Luis MiguelPadilla Jaramillo, Carlos Andrés2024-11-292024-11-292024-11-012024-11-01https://noesis.uis.edu.co/handle/20.500.14071/44855El desarrollo de matrices para la espectrometría de masas por desorción/ionización láser asistida por matriz (MALDI MS) ha dependido tradicionalmente de esfuerzos experimentales. Aquí, proponemos un modelo generativo de inteligencia artificial orientado a objetivos, impulsado por datos calculados de química computacional, para construir un espacio químico optimizado para procesos de Transferencia Electrónica (ET) en el análisis MALDI. Utilizamos un grupo de 30 matrices de ET reportadas, sometidas a enumeración estructural y predicción de propiedades moleculares mediante cálculos semiempíricos y ab initio, para establecer una base de datos integral que comprende diversos datos estructurales y de propiedades. Posteriormente, empleando un protocolo de enumeración estructural con 68 SMILES canónicos de fragmentos de Bemis-Murcko (BM), expandimos la complejidad estructural de la biblioteca inicial. Este proceso generó 82,753 compuestos organizados en 10 niveles de andamios, con un índice p50 de la curva de Recuperación de Sistemas Cíclicos (CSR) de andamios del 50%. De la biblioteca enumerada resultante, se seleccionó un subconjunto diverso de estructuras utilizando el método de agrupamiento de Jarvis-Patrick. Estas estructuras, junto con sus propiedades asociadas medidas a partir de datos de mecánica cuántica y experimentales, se utilizaron para entrenar un modelo de Aprendizaje Automático (ML) para predecir los valores de energía de ionización (Ei). Posteriormente, se entrenó una Red Neuronal de Puntuación (SNN), acoplada a nuestro modelo generativo orientado a objetivos utilizando Redes Neuronales Recurrentes (RNN) con arquitecturas de Aprendizaje Profundo (DL). El modelo generativo fue guiado utilizando una red previa dentro de un entorno de Aprendizaje por Refuerzo/Transferencia. El modelo generativo final de IA aprendió que las estructuras con alta insaturación, relaciones H/C inferiores a 1 y pesos moleculares entre 100 u y 300 u son favorables para las matrices ET MALDI, así como aquellas con pocos anillos aromáticos y cero anillos alifáticos. También se favorecieron otras características moleculares. La biblioteca generada por IA resultante exhibe valores de Ei superiores a 8.0 eV, similares a los de las matrices ET MALDI “buenas” reportadas, lo que indica un diseño exitoso con altos puntajes de accesibilidad de síntesis. En conclusión, nuestro modelo generativo proporcionó valiosas ideas sobre las características moleculares ideales para los compuestos ET MALDI, al tiempo que generó una amplia gama de moléculas estructuralmente diversas dentro de un espacio de propiedades moleculares similar. El siguiente paso crítico en este proceso es sintetizar una selección de estos compuestos generados para validación experimental y caracterización adicional.application/pdfenginfo:eu-repo/semantics/openAccessDiseño RacionalMALDI MSInteligencia ArtificialMecánica CuánticaUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestríaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coRational DesignMALDI MSArtificial IntelligenceQuantum Mechanicshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)