El análisis de imágenes mediante aprendizaje automático determina rápidamente la composición de la mezcla química

Apr 24, 2024

¿Alguna vez has arruinado accidentalmente una receta en la cocina agregando sal en lugar de azúcar? Debido a su apariencia similar, es un error fácil de cometer. De manera similar, la verificación a simple vista también se utiliza en los laboratorios de química para proporcionar evaluaciones iniciales rápidas de las reacciones; sin embargo, al igual que en la cocina, el ojo humano tiene sus limitaciones y puede resultar poco fiable.

Para abordar esto, investigadores del Instituto de Diseño y Descubrimiento de Reacciones Químicas (WPI-ICReDD) de la Universidad de Hokkaido, dirigidos por el profesor Yasuhide Inokuma.han desarrollado un modelo de aprendizaje automáticoque pueden distinguir la proporción de composición de mezclas sólidas de compuestos químicos utilizando únicamente fotografías de las muestras.

El modelo fue diseñado y desarrollado utilizando mezclas de azúcar y sal como caso de prueba. El equipo empleó una combinación de recorte, volteo y rotación aleatoria de las fotografías originales para crear una mayor cantidad de subimágenes para entrenamiento y prueba. Esto permitió desarrollar el modelo utilizando solo 300 imágenes originales para el entrenamiento. El modelo entrenado fue aproximadamente dos veces más preciso que el ojo desnudo incluso del miembro más experto del equipo.

"Creo que es fascinante que con el aprendizaje automático hayamos podido reproducir e incluso superar la precisión de los ojos de químicos experimentados", comentó Inokuma. "Esta herramienta debería poder ayudar a los nuevos químicos a conseguir un ojo experimentado más rápidamente".

Tras el exitoso caso de prueba, los investigadores aplicaron este modelo a la evaluación de diferentes mezclas químicas. El modelo distinguió con éxito diferentes polimorfos y enantiómeros, los cuales son versiones extremadamente similares de la misma molécula con diferencias sutiles en la disposición atómica o molecular. Distinguir estas diferencias sutiles es importante en la industria farmacéutica y normalmente requiere un proceso que requiere más tiempo.

El modelo incluso pudo manejar mezclas más complejas, evaluando con precisión el porcentaje de una molécula objetivo en una mezcla de cuatro componentes. También se analizó el rendimiento de la reacción, determinando el progreso de una reacción de descarboxilación térmica.

El equipo demostró además la versatilidad de su modelo, demostrando que podía analizar con precisión imágenes tomadas con un teléfono móvil, después de realizar una capacitación complementaria. Los investigadores anticipan una amplia variedad de aplicaciones, tanto en el laboratorio de investigación como en la industria.

"Consideramos que esto es aplicable en situaciones en las que se requiere una evaluación rápida y constante, como en el seguimiento de reacciones en una planta química o como paso de análisis en un proceso automatizado utilizando un robot de síntesis", explicó el profesor asistente Yuki Ide, designado especialmente para ello. "Además, esto podría actuar como una herramienta de observación para quienes tienen problemas de visión".

- Este comunicado de prensa se publicó originalmente en el sitio web de la Universidad de Hokkaido.