Modelos Generativos como un Paradigma Emergente en las Ciencias Químicas

Los enfoques computacionales tradicionales para diseñar especies químicas están limitados por la necesidad de calcular propiedades para un vasto número de candidatos, por ejemplo, mediante modelado discriminativo. Por lo tanto, los métodos de diseño inverso buscan partir de la propiedad deseada y optimizar una estructura química correspondiente. Desde el punto de vista del aprendizaje automático, el problema del diseño inverso puede abordarse a través de lo que se conoce como modelado generativo. Matemáticamente, los modelos discriminativos se definen al aprender la función de distribución de probabilidad de propiedades dadas la estructura molecular o material. En contraste, un modelo generativo busca aprovechar la probabilidad conjunta de una especie química con características objetivo. La idea principal del modelado generativo es implementar un sistema que produzca compuestos novedosos que se espera que tengan un conjunto deseado de características químicas, eludiendo efectivamente los problemas encontrados en el proceso de diseño hacia adelante. En esta contribución, revisamos y analizamos de manera crítica algoritmos generativos populares como las redes generativas adversariales, autoencoders variacionales, modelos de flujo y difusión. Resaltamos las diferencias clave entre cada uno de los modelos, proporcionamos información sobre historias de éxito recientes y discutimos los desafíos pendientes para realizar soluciones descubiertas por modelado generativo en aplicaciones químicas.