Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
Chemists who want to know where a molecule will react have long relied on product yield, the share of starting material that ends up as the intended product after several synthesis steps. The measure is blurred by purification and by side reactions, and it changes from one synthesis scenario to another. It also says nothing about which of several reactive groups actually reacted.
Los químicos que quieren saber dónde reaccionará una molécula han confiado durante mucho tiempo en el rendimiento del producto, es decir, la proporción de materia de partida que acaba convertida en el producto buscado tras varias etapas de síntesis. Esa medida se ve distorsionada por la purificación y por las reacciones secundarias, y varía de un escenario de síntesis a otro. Además, no indica cuál de varios grupos reactivos ha reaccionado realmente.
At Yokohama National University, a team led by associate professor Hiroaki Gotoh and doctoral student Daimon Sakaguchi chose a simpler route. They mixed complex molecules containing several ketone groups, which are oxygen and carbon atoms joined by a double bond, with different amounts of sodium borohydride in methanol. By measuring which ketone group reacted first, they built a kinetic scale, or reaction-rate map, for each molecule. The team then combined this map with three-dimensional electronic information taken from around each reacting site, and fed both into a machine-learning model.
En la Universidad Nacional de Yokohama, un equipo dirigido por el profesor asociado Hiroaki Gotoh y el estudiante de doctorado Daimon Sakaguchi optó por un camino más sencillo. Mezclaron moléculas complejas que contienen varios grupos cetona, formados por átomos de oxígeno y carbono unidos por un doble enlace, con distintas cantidades de borohidruro de sodio en metanol. Al medir qué grupo cetona reaccionaba primero, construyeron para cada molécula una escala cinética, o mapa de velocidades de reacción. Después, el equipo combinó este mapa con información electrónica tridimensional tomada de los alrededores de cada sitio reactivo, y alimentó ambos datos en un modelo de aprendizaje automático.
The model was trained only on simple molecules. Tested on six more complex molecules, each with two ketone groups, it correctly predicted both the main reaction site and the side from which the reaction occurred. The study, published in JACS Au, shows that competition experiments can link laboratory measurements, quantum-chemical calculations and machine learning in a single workflow. The authors stress that these are laboratory results on a defined reaction, with sodium borohydride in methanol.
El modelo se entrenó solo con moléculas sencillas. Probado con seis moléculas más complejas, cada una con dos grupos cetona, predijo correctamente tanto el sitio principal de reacción como el lado desde el que se producía. El estudio, publicado en JACS Au, muestra que los experimentos de competencia pueden vincular mediciones de laboratorio, cálculos de química cuántica y aprendizaje automático en un único flujo de trabajo. Los autores subrayan que se trata de resultados de laboratorio para una reacción definida, con borohidruro de sodio en metanol.
For a chemist designing a drug candidate, the practical gain would be knowing, before synthesis, which part of a molecule is likely to react and which product will form. Gotoh names drug candidates, natural products and functional molecules as the target, and frames the aim as fewer trial-and-error cycles and faster discovery of new molecules and synthetic routes. The team does not say when such predictions could be used in practice, nor whether the model holds for reactions other than this one. What it does offer is a curated kinetic database and a descriptor workflow that other researchers can reuse to build new models and test their hypotheses on more complex reductions.
Para un químico que diseña un candidato a fármaco, la ventaja práctica sería saber, antes de la síntesis, qué parte de una molécula es probable que reaccione y qué producto se formará. Gotoh menciona como objetivo los candidatos a fármacos, los productos naturales y las moléculas funcionales, y plantea como meta reducir los ciclos de ensayo y error y acelerar el descubrimiento de nuevas moléculas y rutas sintéticas. El equipo no precisa cuándo podrían utilizarse en la práctica estas predicciones, ni si el modelo funciona para reacciones distintas de esta. Lo que sí ofrece es una base de datos cinéticos depurada y un flujo de trabajo de descriptores que otros investigadores pueden reutilizar para construir nuevos modelos y poner a prueba sus hipótesis en reducciones más complejas.