Durante una reacción química, las moléculas ganan energía hasta que alcanzan lo que se conoce como estado de transición, un punto sin retorno a partir del cual debe proceder la reacción. Este estado es tan fugaz que es casi imposible observarlo experimentalmente.
Las estructuras de estos estados de transición se pueden calcular mediante técnicas basadas en la química cuántica, pero ese 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 rápidamente:en unos pocos segundos.
Su nuevo modelo podría usarse para ayudar a los químicos a diseñar nuevas reacciones y catalizadores para generar productos útiles como combustibles o medicamentos, o para modelar reacciones químicas que ocurren naturalmente como aquellas que podrían haber ayudado a impulsar la evolución de la vida en la Tierra.
"Conocer la estructura del estado de transición es realmente importante como punto de partida para pensar en diseñar catalizadores o comprender cómo los sistemas naturales realizan ciertas transformaciones", dice Heather Kulik, profesora asociada de química e ingeniería química en el MIT y autora principal del estudio. .
Chenru Duan, Ph.D. es el autor principal de un artículo que describe el trabajo, que aparece hoy en Nature Computational Science. . El estudiante graduado de la Universidad de Cornell, Yuanqi Du, y el estudiante graduado del MIT, Haojun Jia, también son autores del artículo.
Para que ocurra cualquier reacción química, debe pasar por un estado de transición, que tiene lugar cuando alcanza el umbral de energía necesario para que la reacción se desarrolle. La probabilidad de que ocurra cualquier reacción química está determinada en parte por la probabilidad de que se forme el estado de transición.
"El estado de transición ayuda a determinar la probabilidad de que ocurra una transformación química. Si tenemos mucho de algo que no queremos, como dióxido de carbono, y nos gustaría convertirlo en un combustible útil como el metanol, el estado de transición "El estado y qué tan favorable es determina la probabilidad de que pasemos del reactivo al producto", dice Kulik.
Los químicos pueden calcular los estados de transición utilizando un método de química cuántica conocido como teoría funcional de la densidad. Sin embargo, este método requiere una enorme cantidad de potencia informática y puede llevar muchas horas o incluso días calcular un solo estado de transición.
Recientemente, algunos investigadores han intentado utilizar modelos de aprendizaje automático para descubrir estructuras de estados de transición. Sin embargo, los modelos desarrollados hasta ahora requieren considerar dos reactivos como una entidad única en la que los reactivos mantienen la misma orientación entre sí. Cualquier otra orientación posible debe modelarse como reacciones separadas, lo que aumenta el tiempo de cálculo.
"Si las moléculas reactivas se rotan, entonces, en principio, antes y después de esta rotación todavía pueden sufrir la misma reacción química. Pero en el enfoque tradicional de aprendizaje automático, el modelo las verá como dos reacciones diferentes. Eso hace que la máquina- aprender a entrenar es mucho más difícil y menos preciso", afirma Duan.
El equipo del MIT desarrolló un nuevo enfoque computacional que les permitió representar dos reactivos en cualquier orientación arbitraria entre sí, utilizando un tipo de modelo conocido como modelo de difusión, que puede aprender qué tipos de procesos tienen más probabilidades de generar un determinado resultado. Como datos de entrenamiento para su modelo, los investigadores utilizaron estructuras de reactivos, productos y estados de transición que habían sido calculados mediante métodos de computación cuántica, para 9.000 reacciones químicas diferentes.
"Una vez que el modelo aprende la distribución subyacente de cómo coexisten estas tres estructuras, podemos darle nuevos reactivos y productos, e intentará generar una estructura de estado de transición que se combine con esos reactivos y productos", afirma Duan.
Los investigadores probaron su modelo en alrededor de 1.000 reacciones que no habían visto antes, pidiéndole que generara 40 posibles soluciones para cada estado de transición. Luego utilizaron un "modelo de confianza" para predecir qué estados tenían más probabilidades de ocurrir. Estas soluciones tenían una precisión de 0,08 angstroms (una cienmillonésima de centímetro) en comparación con las estructuras de estados de transición generadas mediante técnicas cuánticas. Todo el proceso computacional toma solo unos segundos para cada reacción.
"Se puede imaginar que esto realmente implica pensar en generar miles de estados de transición en el tiempo que normalmente tomaría generar solo unos pocos con el método convencional", dice Kulik.
Aunque los investigadores entrenaron su modelo principalmente en reacciones que involucraban compuestos con una cantidad relativamente pequeña 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 sistemas catalizados por enzimas, obtenemos una cobertura bastante buena de los diferentes tipos de formas en que es más probable que los átomos se reorganicen", afirma Kulik.
Los investigadores ahora planean ampliar su modelo para incorporar otros componentes, como catalizadores, que podrían ayudarlos a investigar en qué medida un catalizador en particular aceleraría una reacción. Esto podría resultar útil para desarrollar nuevos procesos para generar productos farmacéuticos, combustibles u otros compuestos útiles, especialmente cuando la síntesis implica muchos pasos químicos.
"Tradicionalmente, todos estos cálculos se realizan con química cuántica, y ahora podemos reemplazar la parte de la química cuántica con este modelo generativo rápido", dice Duan.
Otra posible aplicación de este tipo de modelo es explorar las interacciones que podrían ocurrir entre gases encontrados en otros planetas, o modelar las reacciones simples que pueden haber ocurrido durante la evolución temprana de la vida en la Tierra, dicen los investigadores.
Más información: Generación precisa de estados de transición con un modelo de difusión de reacción elemental equivariante consciente de objetos, Ciencia computacional de la naturaleza (2023). DOI:10.1038/s43588-023-00563-7
Información de la revista: Ciencia Computacional de la Naturaleza
Proporcionado por el Instituto de Tecnología de Massachusetts
Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre investigación, innovación y enseñanza del MIT.
