W każdej reakcji chemicznej przychodzi moment krytyczny – tzw. stan przejściowy. To niezwykle ulotny etap, w którym substraty osiągają poziom energii wystarczający do przekształcenia się w produkty. Jest to punkt bez powrotu, po przekroczeniu którego reakcja musi zajść. Jednak uchwycenie tego stanu w czasie rzeczywistym graniczy z niemożliwością. Trwa on zbyt krótko, by dało się go zaobserwować eksperymentalnie, dlatego chemicy próbują go przewidywać obliczeniowo.
Czytaj też: Sto miliardów razy wolniej. Reakcje chemiczne wyglądają wtedy zupełnie inaczej
Dotąd jednak przewidywanie stanów przejściowych wymagało ogromnych zasobów obliczeniowych. Złożone metody chemii kwantowej, które służą do ich modelowania, potrzebują godzin, a czasem dni pracy superkomputerów, by obliczyć strukturę jednego takiego stanu. To nie tylko kosztowne i czasochłonne, ale również mało przyjazne środowisku.
Jak mówi prof. Heather Kulik z Massachusetts Institute of Technology, główna autorka badania, to właśnie ta przeszkoda znacząco ograniczała potencjał chemii obliczeniowej w służbie projektowania bardziej zrównoważonych procesów przemysłowych. A przecież celem jest to, by z dostępnych w przyrodzie zasobów produkować potrzebne nam molekuły – od materiałów po leki – w sposób jak najbardziej wydajny i ekologiczny.
Sztuczna inteligencja przewiduje reakcje chemiczne
Zespół badawczy z MIT opracował nowy model oparty na uczeniu maszynowym, nazwany React-OT, który rozwiązuje ten problem w sposób, który jeszcze niedawno wydawał się nierealny. Potrafi on przewidzieć strukturę stanu przejściowego z dużą dokładnością w czasie krótszym niż pół sekundy. W dodatku jego prognozy są o 25 proc. dokładniejsze niż poprzednie, znacznie wolniejsze modele.
Czytaj też: Miedź nie do złamania! Nowy stop wytrzymuje piekielne temperatury
Co wyróżnia React-OT? Klucz leży w nowym podejściu do punktu wyjścia. Poprzednie modele zaczynały swoje obliczenia od losowo generowanych struktur, które często znajdowały się daleko od rzeczywistego stanu przejściowego. Wymagało to dziesiątek iteracji i zastosowania dodatkowego modelu oceniającego “wiarygodność” uzyskanych wyników.
React-OT korzysta z interpolacji liniowej – metody, która estymuje pozycje atomów na podstawie położenia atomów w substratach i produktach reakcji. W praktyce oznacza to, że przewidywania zaczynają się od struktury już zbliżonej do rzeczywistego stanu przejściowego. Dzięki temu potrzeba tylko ok. pięciu kroków obliczeniowych, by uzyskać końcowy wynik. Średni czas działania to 0,4 sekundy.
Chenru Duan, współautor pracy, dziś związany z firmą Deep Principle, mówi:
To sprawia, że React-OT jest praktycznym narzędziem, które można bezpośrednio zintegrować z obecną architekturą chemii obliczeniowej w zadaniach takich jak wysokoprzepustowe projektowanie reakcji.
Model został przeszkolony na zestawie danych zawierającym 9000 reakcji chemicznych, głównie z udziałem małych cząsteczek organicznych i nieorganicznych, których stany przejściowe obliczono wcześniej metodami chemii kwantowej. Co jednak kluczowe – React-OT nie tylko poprawnie przewiduje dane z tego samego zbioru, ale potrafi także generalizować. Dobrze radzi sobie z nowymi reakcjami, których wcześniej nie widział, a nawet z tymi, które obejmują większe reagenty zawierające łańcuchy boczne.
To ma ogromne znaczenie praktyczne. W wielu przypadkach – np. w reakcjach polimeryzacji – rdzeń reakcji dotyczy jedynie fragmentu dużej cząsteczki. Dzięki zdolności do rozpoznawania takich przypadków React-OT może służyć do projektowania całych rodzin złożonych reakcji chemicznych.
Prof. Heather Kulik dodaje:
To ważne, ponieważ wiele reakcji zachodzi lokalnie w obrębie dużych makrocząsteczek. Model, który potrafi uogólniać na różne skale i układy, ma ogromny potencjał zastosowań.
W artykule opublikowanym w Nature Machine Intelligence badacze zapowiadają, że pracują już nad rozszerzeniem modelu, by mógł przewidywać stany przejściowe w reakcjach z udziałem dodatkowych pierwiastków, takich jak siarka, fosfor, chlor, krzem czy lit.
Ale co ważniejsze – zespół z MIT udostępnił aplikację, która umożliwia innym naukowcom korzystanie z React-OT. Wystarczy wprowadzić strukturę substratu i produktu, a model wygeneruje przewidywany stan przejściowy i oszacuje barierę energetyczną, co pozwala ocenić prawdopodobieństwo zajścia reakcji. To otwiera nowe możliwości w syntezie leków, projektowaniu nowych materiałów czy badaniach nad alternatywnymi źródłami energii. Jeśli punkt przejścia to chemiczny moment prawdy, to MIT właśnie dało światu narzędzie, które potrafi ten moment przewidzieć – szybciej, dokładniej i bez kosztownych kompromisów.