Una plataforma de planificación de síntesis impulsada por inteligencia artificial (PhotoCat) para la fotocatálisis

Iluminando una química más inteligente

Los químicos utilizan cada vez más la luz para impulsar reacciones químicas, transformando materias primas sencillas en medicamentos, materiales y fragancias con menos residuos y energía. Sin embargo, diseñar estas reacciones impulsadas por la luz, o fotocatalíticas, suele ser un proceso lento de prueba y error. Este artículo presenta PhotoCat, una plataforma de inteligencia artificial que aprende a partir de decenas de miles de reacciones previas impulsadas por la luz para ayudar a los científicos a predecir lo que ocurrirá, planificar nuevas síntesis y elegir condiciones de laboratorio prácticas. Para los lectores, es un atisbo de cómo la IA y la química sostenible se están uniendo para acelerar el descubrimiento y reducir el impacto ambiental.

Construyendo un mapa de reacciones impulsadas por la luz

El primer paso de los autores fue ensamblar un mapa detallado de la química fotocatalítica conocida. Revisaron la literatura científica y los registros experimentales para crear PhotoCatDB, una base de datos curada con 26.700 reacciones impulsadas por la luz. Cada entrada captura no solo qué moléculas entraron y salieron, sino también detalles experimentales cruciales: qué fotocatalizador se usó, si estuvieron presentes ácidos, bases o aditivos, el disolvente y el color (longitud de onda) de la luz. Muchas de estas reacciones son multicomponente, donde varios bloques se ensamblan a la vez, reflejando la complejidad que enfrentan los químicos en el laboratorio. Al comprobar la similitud entre productos, el equipo se aseguró de que la base de datos enfatizara reacciones diversas y novedosas en lugar de muchos casi duplicados.

Enseñando a una IA a entender la fotoquímica

Sobre esta base de datos, los investigadores construyeron PhotoCat, una familia de modelos de aprendizaje profundo basados en la arquitectura Transformer originalmente desarrollada para la traducción de lenguaje. Un módulo, PhotoCat-RXN, aprende a predecir los productos de una reacción a partir de los materiales de partida y, cuando están disponibles, las condiciones de la reacción. Otro, PhotoCat-Retro, funciona a la inversa: dado un objetivo molecular deseado, propone materiales de partida y pasos fotocatalíticos plausibles. Un tercer módulo, PhotoCat-Cond, recomienda la configuración de laboratorio real —fotocatalizador, disolvente, aditivos y longitud de onda de la luz— que probablemente haga funcionar una reacción propuesta. Para dotar a los modelos de un “sentido químico” amplio, el equipo primero los entrenó con millones de reacciones generales procedentes de datos de patentes públicas antes de afinarse en el conjunto especializado de fotocatálisis.

Por qué las condiciones importan tanto como los ingredientes

Una idea clave de este trabajo es que decir explícitamente a la IA las condiciones de la reacción mejora drásticamente su rendimiento. Cuando el modelo recibió solo las moléculas de partida, su precisión para predecir el producto principal ya era aceptable. Pero añadir información estructurada sobre el fotocatalizador, ácido o base, aditivos, disolvente y color de la luz elevó la precisión de la predicción principal por encima del 82 % y aceleró el entrenamiento. Los autores muestran un ejemplo vívido en el que la presencia o ausencia de un ácido fuerte cambia una reacción de producir una cetona a formar un alqueno. Los mapas de atención del modelo revelan que “mira” con más detenimiento la etiqueta del ácido precisamente cuando predice la parte de la estructura del producto que está controlada por esa elección, lo que refleja cómo razonan los químicos humanos sobre las condiciones.

De la pantalla al banco: descubriendo reacciones nuevas

Para comprobar si PhotoCat es algo más que un ejercicio numérico, el equipo lo utilizó para proponer transformaciones fotocatalíticas totalmente nuevas y luego las llevó a cabo en el laboratorio. El flujo de trabajo comienza con PhotoCat-Retro sugiriendo una ruta impulsada por la luz hacia una estructura objetivo, seguido por PhotoCat-Cond que elige condiciones y PhotoCat-RXN que comprueba que los productos predichos son coherentes. De 22 candidatos sugeridos por la IA, los químicos seleccionaron cinco que parecían novedosos y prácticos; cuatro funcionaron en el laboratorio con buenos rendimientos. Estas nuevas reacciones incluyen una acilación impulsada por la luz que recuerda a una versión más limpia del clásico proceso de Friedel–Crafts, una ruta sin catalizador hacia benzoxazoles, un método libre de metales para instalar grupos trifluorometilo en ácidos insaturados utilizando aire como oxidante, y una oxo-aminación desencadenada por la luz eficiente de alquenos simples.

Qué significa esto para la futura química verde

Para no especialistas, la conclusión es que PhotoCat actúa como un asistente inteligente que ha leído decenas de miles de artículos sobre fotocatálisis y puede sugerir “qué probar a continuación” en el laboratorio. Al combinar una base de datos diseñada para el propósito con modelos de IA modernos, la plataforma alcanza precisiones comparables a las mejores herramientas generales de predicción de reacciones, pero adaptadas específicamente a la química impulsada por la luz. Más importante aún, convierte predicciones abstractas en recetas accionables que los químicos pueden poner a prueba, acortando el camino de la idea al experimento. A medida que la base de datos crezca y los modelos se conecten con herramientas de planificación más amplias, sistemas como PhotoCat podrían ayudar a que la fotocatálisis sea una opción rutinaria y más ecológica en la fabricación química, mejorando discretamente la sostenibilidad de los productos de los que dependemos cada día.

Cita: Xu, J., Zhai, S., Huang, P. et al. An artificial intelligence-driven synthesis planning platform (PhotoCat) for photocatalysis. Commun Chem 9, 92 (2026). https://doi.org/10.1038/s42004-026-01894-y

Palabras clave: fotocatálisis, inteligencia artificial, predicción de reacciones, retrosíntesis, química verde