Neues Modell sagt den "Point of no Return" einer chemischen Reaktion voraus
Chemiker könnten diese schnelle Berechnungsmethode nutzen, um effizientere Reaktionen zu entwerfen, die zu nützlichen Verbindungen führen, von Kraftstoffen bis hin zu Arzneimitteln
Wenn Chemiker neue chemische Reaktionen entwerfen, ist eine nützliche Information der Übergangszustand der Reaktion - der Punkt, an dem es kein Zurück mehr gibt und eine Reaktion ablaufen muss.
Mit dieser Information können Chemiker versuchen, die richtigen Bedingungen zu schaffen, unter denen die gewünschte Reaktion ablaufen kann. Die derzeitigen Methoden zur Vorhersage des Übergangszustands und des Verlaufs einer chemischen Reaktion sind jedoch kompliziert und erfordern eine enorme Rechenleistung.
MIT-Forscher haben nun ein maschinelles Lernmodell entwickelt, das diese Vorhersagen in weniger als einer Sekunde und mit hoher Genauigkeit treffen kann. Ihr Modell könnte es Chemikern erleichtern, chemische Reaktionen zu entwerfen, die eine Vielzahl nützlicher Verbindungen wie Arzneimittel oder Kraftstoffe hervorbringen könnten.
"Wir möchten in der Lage sein, Prozesse zu entwerfen, um aus den reichlich vorhandenen natürlichen Ressourcen Moleküle zu erzeugen, die wir brauchen, z. B. Materialien und therapeutische Medikamente. Die computergestützte Chemie ist sehr wichtig, um herauszufinden, wie wir nachhaltigere Prozesse entwickeln können, um von den Reaktanten zu den Produkten zu gelangen", sagt Heather Kulik, Lammot du Pont Professor of Chemical Engineering, Professorin für Chemie und Hauptautorin der neuen Studie.
Der ehemalige MIT-Absolvent Chenru Duan PhD '22, der jetzt bei Deep Principle arbeitet, der ehemalige Georgia Tech-Absolvent Guan-Horng Liu, der jetzt bei Meta arbeitet, und der Cornell University-Absolvent Yuanqi Du sind die Hauptautoren der Studie.
Bessere Schätzungen
Damit eine chemische Reaktion ablaufen kann, muss sie einen Übergangszustand durchlaufen, der eintritt, wenn die für die Reaktion erforderliche Energieschwelle erreicht wird. Diese Übergangszustände sind so flüchtig, dass es fast unmöglich ist, sie experimentell zu beobachten.
Als Alternative können die Forscher die Strukturen der Übergangszustände mit Hilfe quantenchemischer Techniken berechnen. Dieses Verfahren erfordert jedoch eine hohe Rechenleistung und kann Stunden oder Tage dauern, um einen einzigen Übergangszustand zu berechnen.
"Im Idealfall würden wir gerne die Computerchemie nutzen, um nachhaltigere Prozesse zu entwerfen, aber diese Berechnungen an sich sind ein enormer Energie- und Ressourcenverbrauch, um diese Übergangszustände zu finden", sagt Kulik.
Im Jahr 2023 berichteten Kulik, Duan und andere über eine von ihnen entwickelte Strategie des maschinellen Lernens zur Vorhersage der Übergangszustände von Reaktionen. Diese Strategie ist schneller als quantenchemische Verfahren, aber immer noch langsamer als es ideal wäre, da das Modell etwa 40 Strukturen generieren und diese Vorhersagen dann durch ein "Vertrauensmodell" laufen lassen muss, um vorherzusagen, welche Zustände am wahrscheinlichsten auftreten.
Ein Grund, warum dieses Modell so oft durchlaufen werden muss, ist, dass es zufällig generierte Schätzungen für den Ausgangspunkt der Struktur des Übergangszustands verwendet und dann Dutzende von Berechnungen durchführt, bis es zu seiner endgültigen, besten Schätzung gelangt. Diese zufällig generierten Ausgangspunkte können sehr weit vom tatsächlichen Übergangszustand entfernt sein, weshalb so viele Schritte erforderlich sind.
Das neue Modell der Forscher, React-OT, das in der Veröffentlichung in Nature Machine Intelligence beschrieben wird, verwendet eine andere Strategie. In dieser Arbeit trainierten die Forscher ihr Modell so, dass es von einer Schätzung des Übergangszustands ausgeht, die durch lineare Interpolation erzeugt wurde - eine Technik, die die Position jedes Atoms schätzt, indem sie es auf halbem Weg zwischen seiner Position in den Reaktanten und in den Produkten im dreidimensionalen Raum bewegt.
"Eine lineare Schätzung ist ein guter Ausgangspunkt für eine Annäherung an die Position des Übergangszustands", sagt Kulik. "Das Modell geht von einer viel besseren Anfangsschätzung aus als von einer völlig zufälligen Schätzung, wie es in früheren Arbeiten der Fall war.
Dadurch benötigt das Modell weniger Schritte und weniger Zeit, um eine Vorhersage zu treffen. In der neuen Studie zeigten die Forscher, dass ihr Modell Vorhersagen in nur etwa fünf Schritten treffen kann, was etwa 0,4 Sekunden dauert. Diese Vorhersagen müssen nicht durch ein Vertrauensmodell gefüttert werden und sind etwa 25 Prozent genauer als die Vorhersagen, die mit dem vorherigen Modell erstellt wurden.
"Das macht React-OT zu einem praktischen Modell, das wir direkt in den bestehenden Berechnungsablauf beim Hochdurchsatz-Screening integrieren können, um optimale Übergangszustandsstrukturen zu erzeugen", sagt Duan.
"Ein breites Spektrum an Chemie"
Um React-OT zu erstellen, trainierten die Forscher es auf demselben Datensatz, den sie zum Trainieren ihres älteren Modells verwendeten. Diese Daten enthalten Strukturen von Reaktanten, Produkten und Übergangszuständen, die mit Methoden der Quantenchemie für 9.000 verschiedene chemische Reaktionen berechnet wurden, an denen meist kleine organische oder anorganische Moleküle beteiligt sind.
Nach dem Training zeigte das Modell gute Leistungen bei anderen Reaktionen aus diesem Satz, die nicht in die Trainingsdaten aufgenommen wurden. Auch bei anderen Reaktionstypen, für die es nicht trainiert worden war, zeigte es gute Leistungen und konnte genaue Vorhersagen für Reaktionen mit größeren Reaktanten machen, die oft Seitenketten haben, die nicht direkt an der Reaktion beteiligt sind.
"Das ist wichtig, weil es viele Polymerisationsreaktionen gibt, bei denen man ein großes Makromolekül hat, die Reaktion aber nur in einem Teil abläuft. Ein Modell, das sich über verschiedene Systemgrößen hinweg verallgemeinern lässt, bedeutet, dass es ein breites Spektrum an chemischen Reaktionen abdecken kann", sagt Kulik.
Die Forscher arbeiten nun daran, das Modell so zu trainieren, dass es Übergangszustände für Reaktionen zwischen Molekülen vorhersagen kann, die weitere Elemente enthalten, darunter Schwefel, Phosphor, Chlor, Silizium und Lithium.
Das MIT-Team hofft, dass andere Wissenschaftler ihren Ansatz bei der Gestaltung ihrer eigenen Reaktionen nutzen werden, und hat zu diesem Zweck eine App entwickelt.
"Wann immer Sie einen Reaktanten und ein Produkt haben, können Sie diese in das Modell eingeben und es wird den Übergangszustand generieren, aus dem Sie die Energiebarriere Ihrer beabsichtigten Reaktion abschätzen und sehen können, wie wahrscheinlich es ist, dass sie stattfindet", sagt Duan.
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Weitere News aus dem Ressort Wissenschaft
