🔬 Un equipo desarrolló RetroChimera, un modelo de retrosíntesis que combina dos componentes con sesgos inductivos complementarios mediante un sistema de ensamblado aprendido. En pruebas a distintas escalas de datos, superó a modelos de referencia y rindió bien fuera de los datos de entrenamiento, un reto clave para planificar síntesis químicas.
Los modelos actuales suelen fallar con reacciones poco frecuentes pero cruciales para la estrategia química. También pueden producir respuestas inventadas, incorrectas o alejadas de lo que esperan los químicos. El equipo analizó estos fallos y diseñó los dos componentes de RetroChimera para que aportaran enfoques distintos.
El modelo aprendió clases de reacción a partir de muy pocos ejemplos. En comparaciones por parejas y evaluaciones individuales, químicos orgánicos prefirieron sus propuestas frente a reacciones de referencia publicadas y predicciones de otros modelos. RetroChimera también mostró transferencia sin entrenamiento específico y respondió al ajuste con datos internos de dos grandes farmacéuticas.
✅ Los resultados sugieren que combinar sesgos inductivos distintos puede mejorar la IA para retrosíntesis, incluso cuando cambian los datos disponibles. El resumen no aporta tamaños de muestra, métricas concretas ni el alcance de las reacciones evaluadas, así que no permite medir desde aquí la magnitud de la mejora.
