Of organische chemici nu werken aan de ontwikkeling van nieuwe moleculaire energieën of het creëren van nieuwe blockbuster-geneesmiddelen in de farmaceutische industrie, elk zoekt naar manieren om de chemische structuur van een molecuul te optimaliseren om de gewenste doeleigenschappen te bereiken.

Een deel van die optimalisatie omvat het verpakkingsmotief van een moleculair kristal, een waargenomen patroon in hoe moleculen oriënteren ten opzichte van elkaar binnen een kristalstructuur. De huidige datasets met verpakkingsmotief zijn klein gebleven vanwege intensieve handmatige etiketteringsprocessen en onvoldoende etiketteringsschema's.

Om dit probleem te helpen oplossen, een team van Lawrence Livermore National Laboratory (LLNL)-materialen en computerwetenschappers hebben een vrij verkrijgbaar pakket ontwikkeld, automatisch inpakken, die het etiketteringsproces van het verpakkingsmotief formaliseert en de verpakkingsmotieven van duizenden moleculaire kristalstructuren automatisch kan verwerken en labelen. Het onderzoek verschijnt in de Tijdschrift voor chemische informatie en modellering .

Kleinschalige kristaltechnische studies in de afgelopen 30 jaar suggereren dat, terwijl het voorspellen van experimentele kristalstructuren op basis van een chemische structuur alleen buiten bereik blijft, er kunnen verbanden zijn tussen de chemische structuren van moleculen en een specifiek kenmerk van de kristalstructuur die ze aannemen, het verpakkingsmotief.

Het verpakkingsmotief van een moleculair kristal is een belangrijk concept voor energetische en organische elektronicatoepassingen vanwege waargenomen correlaties tussen de verpakkingsmotieven van moleculaire kristallen en van belang zijnde prestatie-eigenschappen, waaronder ongevoeligheid voor moleculaire explosieven en ladingstransport voor moleculaire halfgeleiders.

Tot nu toe is er nog nooit een geformaliseerde en open-source methode voor het toewijzen van verpakkingsmotieven gecreëerd. In plaats daarvan, pakkingsmotieven worden toegeschreven aan moleculaire kristallen, simpelweg door menselijke evaluatie van een kristalstructuur en oordeel, resulterend in kleine en luidruchtige datasets.

"In het tijdperk van machine learning, het vermogen om grote, gelabelde datasets van moleculaire kristalverpakkingsmotieven zijn nu vooral belangrijk, " zei LLNL datawetenschapper Donald Loveland, hoofdauteur van het artikel. "Zulke inspanningen kunnen modellen genereren die verpakkingsmotieven kunnen voorspellen uit alleen de chemische structuur van moleculen, wat organische chemici zou helpen om prioriteit te geven aan de synthese van nieuwe moleculen op basis van het gewenste verpakkingsmotief en de gewenste eigenschappen."

Het nieuwe LLNL-werk maakt gebruik van een efficiënt optimalisatie-algoritme dat veel problemen omzeilt die zijn aangetroffen in eerder voorgestelde etiketteringsmethoden voor verpakkingsmotief, wat leidt tot nieuwe state-of-the-art resultaten wanneer getest op een door LLNL samengestelde dataset.

Via Autopack, onderzoekers hebben een dataset van bijna 10 kunnen genereren, 000 verpakkingsmotieven voor een reeks energetische en energetisch-achtige moleculen die van belang zijn voor het Lab, een taak die voorheen onmogelijk zou zijn geweest. Voor de context, eerdere literatuur is beperkt gebleven in de orde van 100 moleculen vanwege de vervelende en tijdrovende aard van handmatig labelen. Vroege analyse van deze nieuwe dataset duidt op complexe trends tussen intermoleculaire interacties, 3-D moleculaire conformaties en aangenomen verpakkingsmotieven die momenteel onontgonnen zijn in het veld, begeleiding bieden bij de volgende stappen voor pijpleidingen voor kristaltechniek.

De code is vrij verkrijgbaar via het Innovations and Partnerships Office van het Lab.