Los marcos metal-orgánicos (MOFs) se encuentran entre las clases de nanomateriales cristalinos más estructuralmente diversas, ofreciendo una excepcional capacidad de ajuste, porosidad y modularidad química. Estas características han posicionado a los MOFs como plataformas prometedoras para la nanomedicina, bioimagen y aplicaciones nanotranósticas integradas. Sin embargo, el diseño racional de MOFs que satisfacen estrictos requisitos biomédicos, incluyendo una alta capacidad de carga de fármacos, liberación controlada y responsiva a estímulos, selección de objetivos, estabilidad fisiológica, biodegradabilidad y capacidad de imagen multimodal, sigue siendo un desafío debido al vasto espacio de diseño combinatorio y la compleja interacción entre las propiedades fisicoquímicas y las respuestas biológicas. El objetivo de esta revisión es examinar críticamente los avances recientes en enfoques de inteligencia artificial basados en arquitecturas de Transformadores para el diseño y optimización de MOFs orientados a nanotranósticos de próxima generación. A diferencia de revisiones anteriores que analizan de manera amplia los métodos de aprendizaje automático para la investigación de MOFs, este artículo se enfoca específicamente en los modelos basados en Transformadores y su capacidad para capturar relaciones de largo alcance, jerárquicas y multiscala que rigen la estructura, química y comportamiento funcional de los MOFs. Revisamos modelos de última generación, incluyendo MOFormer, MOFNet, MOFTransformer y Uni MOF, y discutimos representaciones basadas en grafos y secuencias utilizadas para codificar la topología y composición de los MOFs. Esta revisión destaca cómo los modelos basados en Transformadores permiten la evaluación predictiva de propiedades directamente relevantes para el rendimiento nanotranóstico, como la energía de adsorción, la estabilidad del marco, las vías de difusión, la accesibilidad de los poros y la funcionalidad de la superficie. Al vincular explícitamente estas capacidades predictivas con la eficiencia en la entrega de fármacos, rendimiento de imagen, acción terapéutica selectiva y aplicaciones diagnósticas y terapéuticas combinadas, este trabajo delinea la contribución específica de la inteligencia artificial basada en Transformadores a la traducción biomédica. Finalmente, discutimos las oportunidades emergentes y los desafíos restantes, incluyendo modelos generativos de Transformadores para el diseño inverso de MOF, aprendizaje autoguiado en conjuntos de datos experimentales y computacionales híbridos, e integración con flujos de trabajo de síntesis y selección autónomos. Al definir el alcance, la novedad y la contribución de las estrategias de diseño basadas en Transformadores, esta revisión proporciona una hoja de ruta enfocada para acelerar el desarrollo de plataformas basadas en MOF para nanotranósticos de próxima generación.
Rodríguez et al. (Viernes,) estudiaron esta cuestión.