Utilizzando l’intelligenza artificiale generativa, gli ingegneri chimici e i chimici del MIT hanno creato un modello in grado di prevedere le strutture che si formano quando una reazione chimica raggiunge il punto di non ritorno
La ricerca sullo stato di transizione è fondamentale in chimica per chiarire i meccanismi di reazione ed esplorare le reti di reazione. La ricerca di strutture accurate dello stato di transizione 3D, tuttavia, richiede numerosi calcoli di chimica quantistica ad alta intensità computazionale a causa della complessità delle superfici di energia potenziale. Durante una reazione chimica, le molecole guadagnano energia fino a raggiungere il cosiddetto stato di transizione, un punto di non ritorno da cui deve procedere la reazione. Questo stato è così fugace che è quasi impossibile osservarlo sperimentalmente.
Le strutture di questi stati di transizione possono essere calcolate utilizzando tecniche basate sulla chimica quantistica, ma questo processo richiede molto tempo. Un team di ricercatori del MIT ha ora sviluppato un approccio alternativo, basato sull’apprendimento automatico, in grado di calcolare queste strutture molto più rapidamente, in pochi secondi.
Il loro nuovo modello potrebbe essere utilizzato per aiutare i chimici a progettare nuove reazioni e catalizzatori per generare prodotti utili come combustibili o farmaci, o per modellare reazioni chimiche naturali come quelle che avrebbero potuto contribuire a guidare l’evoluzione della vita sulla Terra.
«Sapere che la struttura dello stato di transizione è davvero importante come punto di partenza per pensare alla progettazione di catalizzatori o per comprendere come i sistemi naturali mettono in atto determinate trasformazioni», afferma la dottoressa Heather J. Kulik (1), professoressa associata di chimica e ingegneria chimica al MIT e autrice senior dello studio.
Il dottor Chenru Duan PhD (2) è l'autore principale di un articolo che descrive il lavoro, apparso oggi su Nature Computational Science (2). Anche lo studente laureato della Cornell University Yuanqi Du e lo studente laureato del MIT Haojun Jia sono autori dell’articolo.
Transizioni fugaci
Perché una reazione chimica possa avvenire, deve attraversare uno stato di transizione, che avviene quando raggiunge la soglia energetica necessaria affinché la reazione proceda. La probabilità che si verifichi una reazione chimica è in parte determinata dalla probabilità che si formi lo stato di transizione.
«Lo stato di transizione aiuta a determinare la probabilità che avvenga una trasformazione chimica. Se abbiamo molto di qualcosa che non vogliamo, come l'anidride carbonica, e vorremmo convertirlo in un combustibile utile come il metanolo, lo stato di transizione e quanto sia favorevole determina la probabilità che avremo di uscire dal reagente al prodotto», afferma la dottoressa Heather J. Kulik.
I chimici possono calcolare gli stati di transizione utilizzando un metodo di chimica quantistica noto come teoria del funzionale della densità. Tuttavia, questo metodo richiede un’enorme quantità di potenza di calcolo e può richiedere molte ore o addirittura giorni per calcolare un solo stato di transizione.
Recentemente, alcuni ricercatori hanno provato a utilizzare modelli di apprendimento automatico per scoprire le strutture degli stati di transizione. Tuttavia, i modelli sviluppati finora richiedono di considerare due reagenti come un'unica entità in cui i reagenti mantengono lo stesso orientamento l'uno rispetto all'altro. Qualsiasi altro orientamento possibile deve essere modellato come reazioni separate, il che aumenta il tempo di calcolo.
«Se le molecole dei reagenti vengono ruotate, in linea di principio, prima e dopo questa rotazione possono ancora subire la stessa reazione chimica. Ma nell’approccio tradizionale dell’apprendimento automatico, il modello vedrà queste come due reazioni diverse. Ciò rende la formazione sull’apprendimento automatico molto più difficile, oltre che meno accurata», afferma il dottor Chenru Duan.
Il team del MIT ha sviluppato un nuovo approccio computazionale che ha permesso loro di rappresentare due reagenti in qualsiasi orientamento arbitrario l'uno rispetto all'altro, utilizzando un tipo di modello noto come modello di diffusione, che può apprendere quali tipi di processi hanno maggiori probabilità di generare un particolare risultato. Come dati di addestramento per il loro modello, i ricercatori hanno utilizzato strutture di reagenti, prodotti e stati di transizione calcolati utilizzando metodi di calcolo quantistico, per 9.000 diverse reazioni chimiche.
«Una volta che il modello apprende la distribuzione sottostante di come queste tre strutture coesistono, possiamo fornirgli nuovi reagenti e prodotti, e proverà a generare una struttura di stato di transizione che si accoppi con tali reagenti e prodotti», afferma Duan.
I ricercatori hanno testato il loro modello su circa 1.000 reazioni mai viste prima, chiedendogli di generare 40 possibili soluzioni per ciascuno stato di transizione. Hanno quindi utilizzato un “modello di fiducia” per prevedere quali stati avevano maggiori probabilità di verificarsi. Queste soluzioni avevano una precisione di 0,08 angstrom (centomilionesimo di centimetro) rispetto alle strutture dello stato di transizione generate utilizzando tecniche quantistiche. L'intero processo computazionale richiede solo pochi secondi per ciascuna reazione.
«Si può immaginare che ciò si riduca davvero a pensare di generare migliaia di stati di transizione nel tempo che normalmente ne occorrerebbe per generarne solo una manciata con il metodo convenzionale», afferma la professoressa Kulik.
Reazioni di modellazione
Sebbene i ricercatori abbiano addestrato il loro modello principalmente su reazioni che coinvolgono composti con un numero relativamente piccolo di atomi – fino a 23 atomi per l’intero sistema – hanno scoperto che potrebbe anche fare previsioni accurate per reazioni che coinvolgono molecole più grandi.
«Anche se si considerano sistemi più grandi o sistemi catalizzati da enzimi, si ottiene una copertura abbastanza buona dei diversi tipi di modi in cui gli atomi hanno maggiori probabilità di riorganizzarsi», afferma Heather J. Kulik.
I ricercatori ora pianificano di espandere il loro modello per incorporare altri componenti come i catalizzatori, che potrebbero aiutarli a studiare quanto un particolare catalizzatore potrebbe accelerare una reazione. Ciò potrebbe essere utile per sviluppare nuovi processi per la generazione di prodotti farmaceutici, combustibili o altri composti utili, soprattutto quando la sintesi coinvolge molti passaggi chimici.
«Tradizionalmente tutti questi calcoli vengono eseguiti con la chimica quantistica, ma ora siamo in grado di sostituire la parte relativa alla chimica quantistica con questo modello generativo veloce», afferma Chenru Duan.
Un'altra potenziale applicazione per questo tipo di modello è l'esplorazione delle interazioni che potrebbero verificarsi tra i gas presenti su altri pianeti, o per modellare le semplici reazioni che potrebbero essersi verificate durante la prima evoluzione della vita sulla Terra, dicono i ricercatori.
Il nuovo metodo rappresenta «un significativo passo avanti nella previsione della reattività chimica», afferma Jan Halborg Jensen (4), professore di chimica all’University of Copenhagen, che non è stato coinvolto nella ricerca.
«Trovare lo stato di transizione di una reazione e la barriera associata è il passo fondamentale per prevedere la reattività chimica, ma anche uno dei compiti più difficili da automatizzare», afferma. «Questo problema sta frenando molti campi importanti come la scoperta dei catalizzatori computazionali e delle reazioni, e questo è il primo articolo che ho visto che potrebbe rimuovere questo collo di bottiglia».
La ricerca è stata finanziata dall’U.S. Office of Naval Research e dal National Science Foundation.
Riferimenti:
(1) Heather J. Kulik
(2) Chenru Duan
Descrizione foto: Gli ingegneri chimici e i chimici del MIT hanno sviluppato un modello computazionale in grado di prevedere rapidamente la struttura dello stato di transizione di una reazione (struttura a sinistra), se gli viene data la struttura di un reagente (al centro) e di un prodotto (a destra). - Credit: David W. Kastner.
Autore traduzione riassuntiva e adattamento linguistico: Edoardo Capuano / Articolo originale: Computational model captures the elusive transition states of chemical reactions