[ad_1]
Durante una reacción química, las moléculas ganan energía hasta alcanzar lo que se llama estado de transición, un punto sin retorno desde el cual la reacción debe continuar. Este estado es tan fugaz que es casi imposible observarlo experimentalmente.
Las estructuras de estos estados de transición se pueden calcular mediante técnicas de química cuántica, pero este proceso requiere mucho tiempo. Un equipo de investigadores del MIT ha desarrollado un enfoque alternativo basado en el aprendizaje automático que puede calcular estas estructuras mucho más rápido, en unos pocos segundos.
Su nuevo modelo podría ayudar a los químicos a desarrollar nuevas reacciones y catalizadores para fabricar productos útiles como combustibles o medicamentos, o modelar reacciones químicas que ocurren naturalmente, como aquellas que pueden haber contribuido al desarrollo de la vida en la Tierra.
«Conocer la estructura del estado de transición es realmente importante como punto de partida para pensar en el desarrollo de catalizadores o comprender cómo los sistemas naturales llevan a cabo ciertas transformaciones», dice Heather Kulik, profesora asociada de química e ingeniería química en el MIT y autora principal. de El estudio .
Chenru Duan PhD ’22 es el autor principal de un artículo que describe el trabajo que aparece hoy en informática de la naturaleza. Yuanqi Du, graduado de la Universidad de Cornell, y Haojun Jia, graduado del MIT, también son autores del artículo.
Transiciones fugaces
Para que se produzca una reacción química, ésta debe pasar por un estado de transición, que se produce cuando se alcanza el umbral de energía necesario para que se produzca la reacción. La probabilidad de que ocurra una reacción química depende en parte de la probabilidad de que se forme el estado de transición.
“El estado de transición ayuda a determinar la probabilidad de una transformación química. Si tenemos mucho de algo que no queremos, como dióxido de carbono, y queremos convertirlo en un combustible útil como metanol, el estado de transición y qué tan favorable es determina la probabilidad de que nos beneficiemos del reactivo al producto. dice Kulik.
Los químicos pueden calcular los estados de transición utilizando un método químico cuántico conocido como teoría funcional de la densidad. Sin embargo, este método requiere una enorme potencia informática y calcular un solo estado de transición puede llevar muchas horas o incluso días.
Recientemente, algunos investigadores han intentado utilizar modelos de aprendizaje automático para descubrir estructuras de estados de transición. Sin embargo, los modelos desarrollados hasta la fecha requieren considerar dos reactivos como una unidad en la que los reactivos mantienen la misma orientación entre sí. Todas las demás orientaciones posibles deben modelarse como reacciones separadas, lo que aumenta el tiempo de cálculo.
«Si las moléculas reactivas se rotan, en principio todavía pueden sufrir la misma reacción química antes y después de esa rotación». Sin embargo, en el enfoque tradicional de aprendizaje automático, el modelo las reconoce como dos reacciones diferentes. Esto hace que la formación en aprendizaje automático sea mucho más difícil y menos precisa”, afirma Duan.
El equipo del MIT desarrolló un nuevo enfoque computacional que les permitió representar dos reactivos en cualquier orientación entre sí. Se utilizó un modelo conocido como modelo de difusión, que se puede utilizar para aprender qué tipos de procesos tienen más probabilidades de producir un resultado particular. Como datos de entrenamiento para su modelo, los investigadores utilizaron estructuras de reactivos, productos y estados de transición, que se calcularon mediante métodos de computación cuántica, para 9.000 reacciones químicas diferentes.
«Una vez que el modelo conoce la distribución subyacente de coexistencia de estas tres estructuras, podemos darle nuevos reactivos y productos e intentará generar una estructura de estado de transición que se combine con estos reactivos y productos», dice Duan.
Los investigadores probaron su modelo en alrededor de 1.000 reacciones que no habían visto antes y le pidieron que generara 40 posibles soluciones para cada estado de transición. Luego utilizaron un «modelo de confianza» para predecir qué condiciones era más probable que ocurrieran. Estas soluciones tenían una precisión de 0,08 angstroms (una cienmillonésima de centímetro) en comparación con las estructuras de estados de transición creadas mediante técnicas cuánticas. Todo el proceso de cálculo sólo toma unos segundos para cada reacción.
«Puedes imaginar que esto realmente se reduce a pensar en generar miles de estados de transición en el tiempo que normalmente llevaría generar sólo unos pocos usando el método tradicional», dice Kulik.
Modelado de reacciones
Aunque los investigadores entrenaron su modelo principalmente en reacciones que involucraban compuestos con un número relativamente pequeño de átomos (hasta 23 átomos para todo el sistema), descubrieron que también podía hacer predicciones precisas para reacciones que involucraban moléculas más grandes.
«Incluso si nos fijamos en sistemas más grandes o catalizados por enzimas, se obtiene una representación bastante buena de las diferentes formas en que es más probable que los átomos se reorganicen», dice Kulik.
Los investigadores ahora planean ampliar su modelo para incluir otros componentes, como catalizadores, para examinar en qué medida un catalizador en particular aceleraría una reacción. Esto podría resultar útil para desarrollar nuevos procesos para producir medicamentos, combustibles u otros compuestos útiles, especialmente si la síntesis implica muchos pasos químicos.
«Tradicionalmente, todos estos cálculos se realizan utilizando química cuántica, y ahora podemos reemplazar la parte de química cuántica con este modelo generativo rápido», dice Duan.
Otra posible aplicación de este tipo de modelos es estudiar las interacciones que podrían ocurrir entre gases en otros planetas, o modelar reacciones simples que podrían haber ocurrido durante la evolución temprana de la vida en la Tierra, dicen los investigadores.
El nuevo método representa «un avance significativo en la predicción de la reactividad química», afirma Jan Halborg Jensen, profesor de química de la Universidad de Copenhague, que no participó en la investigación.
«Encontrar el estado de transición de una reacción y la barrera asociada es el paso clave para predecir la reactividad química, pero también una de las tareas más difíciles de automatizar», afirma. «Este problema está obstaculizando muchas áreas importantes, como los catalizadores computacionales y el descubrimiento de reacciones, y este es el primer trabajo que he visto que podría abordar este cuello de botella».
La investigación fue financiada por la Oficina de Investigación Naval de EE. UU. y la Fundación Nacional de Ciencias.
[ad_2]