Novo modelo prevê o ponto de não retorno de uma reação química
Os químicos poderão utilizar este método computacional rápido para conceber reacções mais eficientes que produzam compostos úteis, desde combustíveis a produtos farmacêuticos
Quando os químicos concebem novas reacções químicas, uma informação útil envolve o estado de transição da reação - o ponto de não retorno a partir do qual a reação deve prosseguir.
Esta informação permite que os químicos tentem produzir as condições corretas que permitirão a ocorrência da reação desejada. No entanto, os métodos actuais para prever o estado de transição e o caminho que uma reação química irá tomar são complicados e requerem uma enorme quantidade de poder computacional.
Os investigadores do MIT desenvolveram um modelo de aprendizagem automática que consegue fazer estas previsões em menos de um segundo, com elevada precisão. O seu modelo poderá facilitar aos químicos a conceção de reacções químicas que podem gerar uma variedade de compostos úteis, como produtos farmacêuticos ou combustíveis.
"Gostaríamos de ser capazes de conceber processos que permitam utilizar recursos naturais abundantes e transformá-los em moléculas de que necessitamos, como materiais e medicamentos terapêuticos. A química computacional é muito importante para descobrir como conceber processos mais sustentáveis que nos levem dos reagentes aos produtos", afirma Heather Kulik, Lammot du Pont Professor of Chemical Engineering, professora de química e autora sénior do novo estudo.
O antigo aluno de pós-graduação do MIT Chenru Duan PhD '22, que está agora na Deep Principle; o antigo aluno de pós-graduação do Georgia Tech Guan-Horng Liu, que está agora na Meta; e o aluno de pós-graduação da Universidade de Cornell Yuanqi Du são os principais autores do artigo.
Melhores estimativas
Para que uma reação química ocorra, tem de passar por um estado de transição, que ocorre quando se atinge o limiar de energia necessário para que a reação prossiga. Estes estados de transição são tão fugazes que são quase impossíveis de observar experimentalmente.
Como alternativa, os investigadores podem calcular as estruturas dos estados de transição utilizando técnicas baseadas na química quântica. No entanto, este processo requer uma grande capacidade de computação e pode levar horas ou dias para calcular um único estado de transição.
"Idealmente, gostaríamos de poder utilizar a química computacional para conceber processos mais sustentáveis, mas esta computação é, por si só, uma enorme utilização de energia e recursos para encontrar estes estados de transição", afirma Kulik.
Em 2023, Kulik, Duan e outros relataram uma estratégia de aprendizagem automática que desenvolveram para prever os estados de transição das reacções. Esta estratégia é mais rápida do que usar técnicas de química quântica, mas ainda mais lenta do que seria ideal, porque requer que o modelo gere cerca de 40 estruturas e, em seguida, execute essas previsões através de um "modelo de confiança" para prever quais os estados mais prováveis de ocorrer.
Uma das razões pelas quais esse modelo precisa de ser executado tantas vezes é o facto de utilizar suposições geradas aleatoriamente para o ponto de partida da estrutura do estado de transição e, em seguida, efetuar dezenas de cálculos até chegar à sua melhor suposição final. Estes pontos de partida gerados aleatoriamente podem estar muito longe do estado de transição real, razão pela qual são necessários tantos passos.
O novo modelo dos investigadores, React-OT, descrito no artigo da Nature Machine Intelligence, utiliza uma estratégia diferente. Neste trabalho, os investigadores treinaram o seu modelo para começar a partir de uma estimativa do estado de transição gerada por interpolação linear - uma técnica que estima a posição de cada átomo movendo-o a meio caminho entre a sua posição nos reagentes e nos produtos, no espaço tridimensional.
"Uma estimativa linear é um bom ponto de partida para aproximar o estado de transição", diz Kulik. "O que o modelo está a fazer é partir de uma estimativa inicial muito melhor do que uma estimativa completamente aleatória, como no trabalho anterior."
Por este motivo, o modelo necessita de menos passos e menos tempo para gerar uma previsão. No novo estudo, os investigadores mostraram que o seu modelo podia fazer previsões com apenas cerca de cinco passos, demorando cerca de 0,4 segundos. Estas previsões não precisam de ser alimentadas através de um modelo de confiança e são cerca de 25% mais exactas do que as previsões geradas pelo modelo anterior.
"Isso faz do React-OT um modelo prático que podemos integrar diretamente no fluxo de trabalho computacional existente em triagem de alto rendimento para gerar estruturas de estado de transição óptimas", afirma Duan.
"Uma vasta gama de química"
Para criar o React-OT, os investigadores treinaram-no com o mesmo conjunto de dados que utilizaram para treinar o seu modelo mais antigo. Estes dados contêm estruturas de reagentes, produtos e estados de transição, calculados através de métodos de química quântica, para 9000 reacções químicas diferentes, na sua maioria envolvendo pequenas moléculas orgânicas ou inorgânicas.
Uma vez treinado, o modelo teve um bom desempenho noutras reacções deste conjunto, que tinham sido mantidas fora dos dados de treino. Também teve um bom desempenho noutros tipos de reacções para as quais não tinha sido treinado e conseguiu fazer previsões precisas envolvendo reacções com reagentes maiores, que muitas vezes têm cadeias laterais que não estão diretamente envolvidas na reação.
"Isto é importante porque há muitas reacções de polimerização em que temos uma grande macromolécula, mas a reação ocorre apenas numa parte. Ter um modelo que generaliza através de diferentes tamanhos de sistema significa que pode lidar com uma vasta gama de química", diz Kulik.
Os investigadores estão agora a trabalhar no treino do modelo para que este possa prever estados de transição para reacções entre moléculas que incluam elementos adicionais, incluindo enxofre, fósforo, cloro, silício e lítio.
A equipa do MIT espera que outros cientistas utilizem a sua abordagem para conceber as suas próprias reacções, tendo criado uma aplicação para esse efeito.
"Sempre que tivermos um reagente e um produto, podemos colocá-los no modelo e ele gerará o estado de transição, a partir do qual podemos estimar a barreira energética da reação pretendida e ver a probabilidade de ocorrência", diz Duan.
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Inglês pode ser encontrado aqui.
Publicação original
Outras notícias do departamento ciência
