Imagine sintetizar y luego probar más de 50 moléculas complejas diferentes para identificar el catalizador más eficaz para una reacción química en particular. El enfoque tradicional para desarrollar nuevos catalizadores para reacciones químicas de esta manera de "pruébelo y verá" a menudo requiere mucha mano de obra y requiere numerosos experimentos repetidos con posibles moléculas candidatas. La ahora omnipresente técnica de aprendizaje automático puede hacer que esta tarea sea mucho más eficiente al predecir el rendimiento de los catalizadores con anticipación en función de características teóricas.
En un estudio publicado en Nature Communications , investigadores de la Universidad de Osaka utilizaron una biblioteca informática de moléculas que se han sintetizado junto con moléculas que por el momento son totalmente teóricas para encontrar el mejor catalizador para una reacción química específica.
El objetivo del trabajo era encontrar mejores formas de añadir grupos de carbono a aminoácidos y péptidos, muy comunes en los organismos vivos, para modificar las propiedades de estos compuestos. Como muchas reacciones, estos procesos se mejoran con catalizadores, pero un catalizador tradicional a base de metal suele ser tóxico y/o costoso.
Este estudio tenía como objetivo utilizar triarilboranos como catalizadores, pero debido a sus estructuras relativamente complejas, existen potencialmente cientos de posibilidades. Estos compuestos se basan en el boro, que es un elemento del grupo principal que es relativamente económico y menos tóxico.
"La evaluación de catalizadores moleculares para la síntesis orgánica puede llevar mucho tiempo", afirma el autor principal del estudio, Yusei Hisata. "En el caso de los triarilboranos utilizados en nuestro trabajo, muchas permutaciones de estructuras moleculares podrían requerir meses de estudio sólo para identificar el candidato óptimo".
Los investigadores combinaron datos experimentales de un número limitado de triarilboranos sintetizados con propiedades predichas para otras moléculas que aún no se han sintetizado, utilizando cálculos teóricos, para crear una biblioteca de 54 posibles catalizadores.
"Este proceso evaluó parámetros que predijimos que afectarían el progreso de la reacción", explica Yoichi Hoshimoto, el autor correspondiente. "Estos incluían factores como los niveles de energía de los orbitales moleculares y las barreras energéticas para ciertos procesos".
Una regresión del proceso gaussiano utilizando la biblioteca in silico identificó un candidato prometedor y las pruebas con este triarilborano demostraron un alto nivel de rendimiento. Este compuesto podría promover las reacciones de un aminoácido con rendimientos muy altos y tolerar la presencia de numerosos grupos funcionales diferentes. Como beneficio adicional, estas reacciones generan solo agua como coproducto inofensivo porque utilizaron con éxito hidrógeno molecular, H2. , como reactivo.
Este trabajo también examinó otras formas de reducir el impacto ambiental del proceso y encontró que el solvente peligroso tetrahidrofurano podría reemplazarse con la alternativa menos tóxica 4-metiltetrahidropirano.
Los químicos de hoy en día enfrentan demandas crecientes y hacen malabarismos con el desarrollo de nuevas síntesis con pares limitados, considerando al mismo tiempo el impacto ambiental, la eficiencia, el costo, la sostenibilidad y otros factores. Este estudio demuestra un importante paso adelante en el uso del aprendizaje automático para agilizar el desarrollo de nuevos procesos químicos y destaca cómo estos nuevos procesos pueden incorporar cambios que funcionen juntos para generar sistemas ecológicos.
Más información: Yusei Hisata et al, Derivación asistida por silicio de triarilboranos para la funcionalización reductora catalítica de aminoácidos y péptidos derivados de anilina con H2, Nature Communications (2024). DOI:10.1038/s41467-024-47984-0
Información de la revista: Comunicaciones sobre la naturaleza
Proporcionado por la Universidad de Osaka
