Un estimado colega, ingeniero químico, nos comparte el presente artículo publicado por la École Polytechnique Fédérale de Lausanne (EPFL) el 24 de abril de 2026. El texto fue editado por Gaby Clark, revisado por Robert Egan y republicado por Phys.org. Nosotros lo hemos traducido y adaptado —con apoyo de la IA— buscando acercar un tema altamente especializado a quienes no somos expertos. Veamos de qué se trata…

El diseño de moléculas es, sin exagerar, uno de los retos más complejos de la química moderna. Desde medicamentos hasta materiales avanzados, cada compuesto requiere una secuencia precisa de reacciones. No se trata solo de conocimiento técnico, sino de estrategia: saber qué hacer primero, qué después y por qué. Y eso, tradicionalmente, ha sido terreno de especialistas con años de experiencia. 

Aquí entran dos grandes desafíos.

El primero es la retrosíntesis: partir de una molécula final (por ejemplo, un fármaco) y “desarmarla” en componentes más simples, es decir, hacerle ingeniería inversa, para identificar rutas viables que permitan reconstruirla a partir de esos componentes. Es como resolver un rompecabezas al revés. Aunque las computadoras pueden explorar millones de combinaciones, suelen tener dificultades para replicar la intuición estratégica de un químico experto.

El segundo desafío son los mecanismos de reacción, es decir, el “paso a paso” microscópico de cómo ocurren las reacciones químicas a nivel de electrones. Comprender estos mecanismos permite predecir nuevas reacciones, optimizar procesos y reducir el costoso ensayo y error. Sin embargo, los métodos computacionales actuales generan múltiples opciones, pero no siempre identifican las más plausibles.

Un equipo liderado por Philippe Schwaller en la EPFL propone ahora un enfoque innovador: utilizar modelos de lenguaje (LLM) —similares a los que usamos en IA conversacional— como motores de razonamiento químico.

En lugar de generar directamente nuevas moléculas (como lo hacen otros modelos), estos sistemas actúan como evaluadores inteligentes que guían herramientas computacionales tradicionales.

El sistema, llamado Synthegy, combina algoritmos de búsqueda con una IA capaz de interpretar estrategias químicas expresadas en lenguaje natural.

En otras palabras: el químico puede “hablar” con la máquina, describir lo que busca, y el sistema ayuda a explorar rutas sintéticas de manera más eficiente.

Como explica Andres M. Bran, primer autor del estudio publicado en la revista Matter:

“Al crear herramientas para químicos, la interfaz es clave. Antes dependíamos de reglas rígidas y filtros complejos. Con Synthegy, los químicos pueden simplemente expresarse en lenguaje natural y avanzar mucho más rápido”.

Los resultados son prometedores. Estos modelos pueden analizar la química en distintos niveles:

• reconocer grupos funcionales,
• evaluar reacciones individuales,
• y valorar rutas completas de síntesis.

Además, como era de esperarse, los modelos más grandes muestran un mejor desempeño, mientras que los más pequeños aún tienen limitaciones.

Más allá del avance técnico, este trabajo apunta a algo más profundo: un cambio en la forma en que interactuamos con la ciencia computacional.

En lugar de sustituir al experto, la IA se convierte en un copiloto estratégico, capaz de traducir ideas en lenguaje natural en rutas químicas viables. Esto podría acelerar el desarrollo de nuevos fármacos, optimizar procesos industriales y democratizar el acceso a herramientas avanzadas.

Como señala Bran:

“Estamos conectando la planificación sintética con los mecanismos de reacción mediante una interfaz unificada basada en lenguaje natural”.

Reflexión final:

Más allá de la química, el mensaje es poderoso: estamos entrando a una etapa donde el conocimiento especializado ya no solo se programa… se conversa.

Para quienes venimos de la ingeniería, esto abre una pregunta interesante:
¿qué otras disciplinas —desde el diseño de materiales hasta la planeación de sistemas complejos— podrían beneficiarse de esta interacción más “humana” con la tecnología?

Tal vez el futuro no sea solo automatizar procesos, sino pensar mejor con las máquinas.

Y eso, colegas, apenas comienza.

Fuente: https://phys.org/news/2026-04-natural-language-ai-chemists-molecules.html