Nový model předpovídá bod zlomu chemické reakce

Při navrhování nových chemických reakcí je klíčovou informací přechodový stav – bod zlomu, odkud reakce musí nutně pokračovat. Tato informace umožňuje chemikům navrhnout správné podmínky pro průběh reakce. Dosavadní metody předpovídání přechodového stavu a reakční cesty však byly složité a vyžadovaly obrovské výpočetní kapacity.

Výzkumníci z MIT nyní vyvinuli model strojového učení, který dokáže tyto předpovědi provádět za méně než sekundu s vysokou přesností. Tento model by mohl usnadnit chemikům navrhování chemických reakcí, které by mohly generovat řadu užitečných sloučenin, jako jsou léčiva nebo paliva.

„Chtěli bychom být schopni navrhovat procesy, které využívají hojně dostupné přírodní zdroje a přeměňují je na molekuly, které potřebujeme, jako jsou materiály a léčivé přípravky. Výpočetní chemie je skutečně důležitá pro zjištění, jak navrhnout udržitelnější procesy, které nás dovedou od reaktantů k produktům,“ říká Heather Kulik, Lammot du Pont profesorka chemického inženýrství, profesorka chemie a hlavní autorka nové studie.

Hlavními autory studie, která vyšla v časopise Nature Machine Intelligence, jsou bývalá postgraduální studentka MIT Chenru Duan (PhD '22), která nyní pracuje ve společnosti Deep Principle; bývalý postgraduální student Georgia Tech Guan-Horng Liu, který nyní pracuje v Metě; a postgraduální studentka Cornell University Yuanqi Du.

Lepší odhady

Pro každou chemickou reakci musí projít přechodovým stavem, který nastává, když dosáhne energetické hranice potřebné pro průběh reakce. Tyto přechodové stavy jsou tak prchavé, že je téměř nemožné je pozorovat experimentálně.

Alternativně mohou výzkumníci vypočítat struktury přechodových stavů pomocí technik založených na kvantové chemii. Tento proces však vyžaduje velké množství výpočetní síly a může trvat hodiny nebo dny, než se vypočítá jediný přechodový stav.

„Ideálně bychom chtěli být schopni používat výpočetní chemii k navrhování udržitelnějších procesů, ale tento výpočet sám o sobě představuje obrovskou spotřebu energie a zdrojů při hledání těchto přechodových stavů,“ říká Kulik.

V roce 2023 Kulik, Duan a další informovali o strategii strojového učení, kterou vyvinuli k předpovídání přechodových stavů reakcí. Tato strategie je rychlejší než použití technik kvantové chemie, ale stále pomalejší, než by bylo ideální, protože vyžaduje, aby model vygeneroval asi 40 struktur a poté spustil tyto předpovědi pomocí „konfidenčního modelu“ k předpovědi, které stavy se s největší pravděpodobností vyskytnou.

Nový model výzkumníků, React-OT, popsaný v článku v Nature Machine Intelligence, používá jinou strategii. V této práci výzkumníci vycvičili svůj model, aby začal z odhadu přechodového stavu generovaného lineární interpolací – technikou, která odhaduje polohu každého atomu jeho posunutím na polovinu mezi jeho polohou v reaktantech a v produktech ve třírozměrném prostoru.

„Lineární odhad je dobrý výchozí bod pro aproximaci toho, kde se ten přechodový stav nakonec ocitne,“ říká Kulik. „Co model dělá, je to, že začíná z mnohem lepšího počátečního odhadu, než je jen zcela náhodný odhad, jako v předchozí práci.“

Díky tomu trvá modelu méně kroků a méně času, než vygeneruje predikci. V nové studii výzkumníci ukázali, že jejich model mohl provádět předpovědi pouze s přibližně pěti kroky, což trvalo asi 0,4 sekundy. Tyto předpovědi nemusí být zadávány do konfidenčního modelu a jsou přibližně o 25 procent přesnější než předpovědi generované předchozím modelem.

„To skutečně dělá z React-OT praktický model, který můžeme přímo integrovat do stávajícího výpočetního pracovního postupu při vysokorychlostním screeningovém procesu za účelem generování optimálních struktur přechodového stavu,“ říká Duan.

„Široká škála chemie“

K vytvoření React-OT výzkumníci vycvičili model na stejných datech, která použili k vycvičení svého staršího modelu. Tato data obsahují struktury reaktantů, produktů a přechodových stavů, vypočtené pomocí metod kvantové chemie, pro 9 000 různých chemických reakcí, většinou zahrnujících malé organické nebo anorganické molekuly.

Po vycvičení model dobře fungoval u dalších reakcí z této sady, které byly vynechány z trénovacích dat. Také dobře fungoval u jiných typů reakcí, na kterých nebyl trénován, a mohl provádět přesné předpovědi zahrnující reakce s většími reaktanty, které často mají postranní řetězce, které se na reakci přímo nepodílejí.

„To je důležité, protože existuje mnoho polymerizačních reakcí, kde máte velkou makromolekulu, ale reakce probíhá pouze v jedné části. Model, který zobecňuje napříč různými velikostmi systémů, znamená, že dokáže řešit širokou škálu chemie,“ říká Kulik.

Výzkumníci nyní pracují na tréninku modelu, aby mohl předpovídat přechodové stavy pro reakce mezi molekulami, které zahrnují další prvky, včetně síry, fosforu, chloru, křemíku a lithia.

„Rychlé předpovídání struktur přechodových stavů je klíčové pro veškeré chemické pochopení,“ říká Markus Reiher, profesor teoretické chemie na ETH Zurich, který se studie nezúčastnil. „Nový přístup prezentovaný v článku by mohl velmi urychlit naše vyhledávací a optimalizační procesy, čímž bychom rychleji dosáhli konečného výsledku. V důsledku toho bude také spotřebováno méně energie v těchto kampaních s vysokovýkonným výpočtem. Jakýkoli pokrok, který tento proces optimalizace urychluje, prospěje všem druhům výpočetního chemického výzkumu.“

Tým z MIT doufá, že jiní vědci využijí jejich přístup při navrhování vlastních reakcí, a vytvořil za tímto účelem aplikaci.

„Kdykoli máte reaktant a produkt, můžete je zadat do modelu a ten vygeneruje přechodový stav, z něhož můžete odhadnout energetickou bariéru zamýšlené reakce a zjistit, jak pravděpodobné je, že k ní dojde,“ říká Duan.

Výzkum byl financován Úřadem pro armádní výzkum USA, Úřadem pro základní výzkum ministerstva obrany USA, Úřadem pro vědecký výzkum letectva USA, Národní vědeckou nadací a Úřadem námořního výzkumu USA.