Los modelos de lenguaje de gran escala han transformado la forma en que las máquinas procesan el texto, pero su capacidad para aprender el «lenguaje de la geometría molecular», es decir, la disposición espacial de los átomos en tres dimensiones, ha permanecido en gran medida inexplorada. Un nuevo preprint de un equipo dirigido por Joseph Cavanagh y Teresa Head-Gordon en la Universidad de California en Berkeley sugiere que la respuesta es: notablemente bien.
Los investigadores ajustaron LLMs de vanguardia en geometrías moleculares y descubrieron que el enfoque supera a los modelos especializados de aprendizaje profundo para predecir estructuras de equilibrio y generar diversos conformeros de moléculas orgánicas pequeñas y similares a fármacos, mientras conserva las capacidades de lenguaje natural preentrenadas del modelo.
Coordenadas cartesianas vs matrices Z
Las moléculas se pueden describir en tres dimensiones de dos formas principales. Las coordenadas cartesianas (posiciones x, y, z para cada átomo) son intuitivas y ampliamente utilizadas, pero no son invariantes ante la rotación o traslación, la misma molécula descrita en una orientación diferente parece una estructura diferente para el modelo.
Las matrices Z, una representación más antigua común en química computacional, especifican la posición de cada átomo en relación con los átomos colocados previamente utilizando longitudes de enlace, ángulos de enlace y ángulos diedros. Esta representación captura inherentemente la estructura relacional de una molécula, qué átomos están enlazados con cuáles, a qué distancias y en qué orientación con respecto a los vecinos.
El equipo descubrió que ambas representaciones funcionaban, pero la matriz Z era claramente superior. «Las invariancias inherentes y la naturaleza relacional de las geometrías representadas como matrices Z proporcionan una mejor gramática para la adaptación de LLM», escriben los autores.
Rendimiento e implicaciones prácticas
Los LLM ajustados superaron a los modelos especializados de aprendizaje profundo, incluidas las redes neuronales de grafos y las redes equivariantes, en la predicción de estructuras de equilibrio (la geometría de menor energía que adopta una molécula) y la generación de conformeros diversos y químicamente plausibles (disposiciones tridimensionales alternativas con energías similares).
El enfoque también es notablemente simple: sin cambios complejos de arquitectura, sin funciones de pérdida personalizadas, sin ingeniería de características específica del dominio. El proceso estándar de ajuste fino de LLM, tratar las geometrías moleculares como secuencias de tokens, funciona con una modificación mínima.
Fundamentalmente, el equipo demostró que mezclar pequeñas cantidades de pares de instrucción-respuesta en lenguaje natural en los datos de ajuste fino preserva casi todas las capacidades de lenguaje preentrenadas del modelo. Esto significa que el mismo modelo puede predecir geometrías moleculares y responder preguntas sobre química, una capacidad de doble uso que abre la puerta a agentes científicos multitarea.
Una nueva herramienta para el descubrimiento de fármacos
Las geometrías moleculares precisas son un requisito previo para el descubrimiento computacional de fármacos: predecir cómo un candidato a fármaco se une a una diana proteica, cómo se comporta en solución y qué conformaciones puede adoptar dependen del conocimiento de su estructura tridimensional. Los métodos actuales, la teoría del funcional de la densidad (precisa pero lenta) y los modelos especializados de aprendizaje automático (rápidos pero limitados por los datos de entrenamiento), tienen cada uno sus ventajas y desventajas.
Un LLM que pueda generar geometrías de alta calidad mientras conserva capacidades lingüísticas generales podría actuar como un front-end flexible para la química computacional, generando estructuras candidatas que luego pueden refinarse con métodos más costosos.
Advertencias
Como preprint publicado en arXiv el 15 de julio de 2026, este trabajo aún no ha sido sometido a revisión por pares. El estudio se centra en moléculas orgánicas pequeñas y similares a fármacos; el rendimiento en sistemas más grandes, péptidos, proteínas o complejos inorgánicos, no se ha demostrado. La comparación con modelos especializados es prometedora pero necesitará validación independiente.
Fuentes:
1. Cavanagh, J.M. et al. «How Well Can Frontier Large Language Models Generate Structures? High Quality Prediction of Molecular Geometries with Help from Fine-Tuning.» arXiv:2607.13350 (2026). https://arxiv.org/abs/2607.13350
Traducido por Alessandra