Los científicos suelen buscar nuevos materiales derivados de polímeros. En lugar de empezar la búsqueda de polímeros desde cero, ahorran tiempo y dinero combinando polímeros existentes para lograr las propiedades deseadas.

Pero identificar la mejor combinación es un problema complejo. No solo existe un número prácticamente ilimitado de combinaciones potenciales, sino que los polímeros interactúan de forma compleja, por lo que predecir las propiedades de una nueva mezcla es difícil.

Para acelerar el descubrimiento de nuevos materiales, los investigadores del MIT desarrollaron una plataforma experimental totalmente autónoma que puede identificar eficientemente mezclas óptimas de polímeros.

El flujo de trabajo de circuito cerrado utiliza un potente algoritmo para explorar una amplia gama de posibles mezclas de polímeros, alimentando una selección de combinaciones a un sistema robótico que mezcla productos químicos y prueba cada mezcla.

En función de los resultados, el algoritmo decide qué experimentos realizar a continuación y continúa el proceso hasta que el nuevo polímero cumpla con los objetivos del usuario.

Durante los experimentos, el sistema identificó de forma autónoma cientos de mezclas que superaron el rendimiento de sus polímeros constituyentes. Curiosamente, los investigadores descubrieron que las mezclas con mejor rendimiento no necesariamente utilizaban los mejores componentes individuales.

“Encontré que esto confirma con creces el valor de usar un algoritmo de optimización que considera simultáneamente todo el espacio de diseño”, afirma Connor Coley, profesor adjunto de Desarrollo Profesional de la generación de 1957 en los departamentos de Ingeniería Química, Ingeniería Eléctrica e Informática del MIT, y autor principal de un artículo sobre este nuevo enfoque. “Si se considera todo el espacio de formulación, se pueden encontrar propiedades nuevas o mejores. Con un enfoque diferente, se podrían pasar por alto fácilmente los componentes de bajo rendimiento que, sin duda, son importantes para la mejor mezcla”.

Este flujo de trabajo podría algún día facilitar el descubrimiento de materiales de mezcla de polímeros que conduzcan a avances como electrolitos de batería mejorados, paneles solares más rentables o nanopartículas personalizadas para una administración de medicamentos más segura.

Coley colabora en el artículo con el autor principal Guangqi Wu, exinvestigador posdoctoral del MIT y actual becario posdoctoral Marie Skłodowska-Curie en la Universidad de Oxford; Tianyi Jin, estudiante de posgrado del MIT; y Alfredo Alexander-Katz, profesor Michael y Sonja Koerner del Departamento de Ciencia e Ingeniería de Materiales del MIT. El trabajo se publica hoy en Matter.

Construyendo mejores mezclas

Cuando los científicos diseñan nuevas mezclas de polímeros, se enfrentan a un número casi infinito de polímeros posibles para empezar. Una vez seleccionados algunos para mezclar, aún deben determinar la composición de cada polímero y su concentración en la mezcla.

“Tener un espacio de diseño tan grande requiere soluciones algorítmicas y flujos de trabajo de mayor rendimiento porque simplemente no se pueden probar todas las combinaciones usando la fuerza bruta”, agrega Coley.

Si bien los investigadores han estudiado flujos de trabajo autónomos para polímeros individuales, se ha trabajado menos en mezclas de polímeros debido al espacio de diseño considerablemente más grande.

En este estudio, los investigadores del MIT buscaron nuevas mezclas aleatorias de heteropolímeros, obtenidas mediante la mezcla de dos o más polímeros con diferentes características estructurales. Estos polímeros versátiles han demostrado ser especialmente prometedores para la catálisis enzimática a alta temperatura, un proceso que acelera las reacciones químicas.

Su flujo de trabajo de circuito cerrado comienza con un algoritmo que, en función de las propiedades deseadas por el usuario, identifica de forma autónoma un puñado de mezclas de polímeros prometedoras.

Los investigadores probaron inicialmente un modelo de aprendizaje automático para predecir el rendimiento de las nuevas mezclas, pero resultó difícil realizar predicciones precisas en un abanico astronómicamente amplio de posibilidades. En su lugar, utilizaron un algoritmo genético, que emplea operaciones de inspiración biológica, como la selección y la mutación, para encontrar la solución óptima.

Su sistema codifica la composición de una mezcla de polímeros en lo que es efectivamente un cromosoma digital, que el algoritmo genético mejora iterativamente para identificar las combinaciones más prometedoras.

Este algoritmo no es nuevo, pero tuvimos que modificarlo para que se adaptara a nuestro sistema. Por ejemplo, tuvimos que limitar la cantidad de polímeros que podía contener un material para que el descubrimiento fuera más eficiente, añade Wu.

Además, debido a que el espacio de búsqueda es tan grande, ajustaron el algoritmo para equilibrar su elección de exploración (búsqueda de polímeros aleatorios) versus explotación (optimización de los mejores polímeros del último experimento).

El algoritmo envía 96 mezclas de polímeros a la vez a la plataforma robótica autónoma, que mezcla los químicos y mide las propiedades de cada uno.

Los experimentos se centraron en mejorar la estabilidad térmica de las enzimas optimizando la actividad enzimática retenida (REA), una medida de cuán estable es una enzima después de mezclarse con las mezclas de polímeros y estar expuesta a altas temperaturas.

Estos resultados se envían de vuelta al algoritmo, que los utiliza para generar un nuevo conjunto de polímeros hasta que el sistema encuentra la combinación óptima.

Acelerando el descubrimiento

La construcción del sistema robótico implicó numerosos desafíos, como desarrollar una técnica para calentar uniformemente los polímeros y optimizar la velocidad a la que la punta de la pipeta se mueve hacia arriba y hacia abajo.

“En las plataformas de descubrimiento autónomo, hacemos hincapié en las innovaciones algorítmicas, pero hay muchos aspectos detallados y sutiles del procedimiento que deben validarse antes de poder confiar en la información que surge de él”, afirma Coley.

Al realizar pruebas, las mezclas óptimas identificadas por su sistema a menudo superaron el rendimiento de los polímeros que las formaban. La mejor mezcla en general tuvo un rendimiento un 18 % superior al de cualquiera de sus componentes individuales, alcanzando un REA del 73 %.

“Esto indica que, en lugar de desarrollar nuevos polímeros, a veces podríamos combinar polímeros existentes para diseñar nuevos materiales que funcionen incluso mejor que los polímeros individuales”, afirma Wu.

Además, su plataforma autónoma puede generar y probar 700 nuevas mezclas de polímeros por día y solo requiere intervención humana para rellenar y reemplazar los productos químicos.

Si bien esta investigación se centró en polímeros para la estabilización de proteínas, su plataforma podría modificarse para otros usos, como el desarrollo de nuevos plásticos o electrolitos para baterías.

Además de explorar propiedades adicionales del polímero, los investigadores quieren utilizar datos experimentales para mejorar la eficiencia de su algoritmo y desarrollar nuevos algoritmos para agilizar las operaciones del manipulador de líquidos autónomo.

Tecnológicamente, existe una necesidad urgente de mejorar la estabilidad térmica de proteínas y enzimas. Los resultados que se muestran aquí son impresionantes. Al tratarse de una tecnología de plataforma y dado el rápido avance del aprendizaje automático y la IA para la ciencia de los materiales, se puede prever la posibilidad de que este equipo mejore aún más el rendimiento de los heteropolímeros aleatorios u optimice el diseño en función de las necesidades y usos finales, afirma Ting Xu, profesor de la Universidad de California en Berkeley, quien no participó en este trabajo.

Este trabajo está financiado, en parte, por el Departamento de Energía de EE. UU., la Fundación Nacional de Ciencias y la Cátedra de Desarrollo Profesional de la Clase de 1947.

​Autor​