Science >> Wetenschap >  >> Chemie

Katalysatoronderzoek laat zien hoe computers het giswerk uit de chemie kunnen wegnemen

Uitdagingen voor de directe functionaliteit van aminozuren/peptiden. Credit:Universiteit van Osaka

Stel je voor dat je meer dan 50 verschillende complexe moleculen synthetiseert en vervolgens test om de meest effectieve katalysator voor een bepaalde chemische reactie te identificeren. De traditionele aanpak voor het ontwikkelen van nieuwe katalysatoren voor chemische reacties op deze 'probeer het en zie'-manier is vaak extreem arbeidsintensief en vereist talloze herhaalde experimenten met potentiële kandidaat-moleculen. De nu alomtegenwoordige techniek van machinaal leren kan deze taak veel efficiënter maken door de prestaties van katalysatoren van tevoren te voorspellen op basis van theoretische kenmerken.



In een onderzoek gepubliceerd in Nature Communications , gebruikten onderzoekers van de Universiteit van Osaka een computerbibliotheek van moleculen die zijn gesynthetiseerd samen met moleculen die op dit moment volledig theoretisch zijn om de beste katalysator voor een specifieke chemische reactie te vinden.

Het doel van het werk was om betere manieren te vinden om groepen koolstof toe te voegen aan aminozuren en peptiden, die heel gebruikelijk zijn in levende organismen, om de eigenschappen van deze verbindingen te wijzigen. Zoals veel reacties worden deze processen versterkt door katalysatoren, maar een traditionele katalysator op metaalbasis is vaak giftig en/of duur.

Deze studie had tot doel triarylboranen als katalysator te gebruiken, maar vanwege hun relatief complexe structuren zijn er potentieel honderden mogelijkheden. Deze verbindingen zijn gebaseerd op boor, een hoofdelement uit de groep dat relatief goedkoop en minder giftig is.

"De beoordeling van moleculaire katalysatoren voor organische synthese kan extreem tijdrovend zijn", zegt hoofdauteur van de studie Yusei Hisata. "In het geval van de triarylboranen die in ons werk worden gebruikt, kunnen veel permutaties van moleculaire structuren maanden van onderzoek vergen, alleen al om de optimale kandidaat te identificeren."

Dit werk:door boor gekatalyseerde directe alkylering van aminozuren/peptiden, waarbij water als enige afvalstof ontstaat. Credit:Universiteit van Osaka

De onderzoekers combineerden experimentele gegevens van een beperkt aantal gesynthetiseerde triarylboranen met eigenschappen voorspeld voor andere moleculen die nog niet zijn gesynthetiseerd, met behulp van theoretische berekeningen, om een ​​bibliotheek van 54 mogelijke katalysatoren te maken.

"Dit proces beoordeelde parameters waarvan we voorspelden dat ze de voortgang van de reactie zouden beïnvloeden", legt Yoichi Hoshimoto, de corresponderende auteur, uit. "Hiertoe behoorden factoren zoals de moleculaire orbitale energieniveaus en de energiebarrières voor bepaalde processen."

Een Gaussiaanse procesregressie met behulp van de in silico-bibliotheek identificeerde een veelbelovende kandidaat, en tests met dit triarylboraan lieten een hoog prestatieniveau zien. Deze verbinding zou de reacties van een aminozuur met zeer hoge opbrengsten kunnen bevorderen en de aanwezigheid van talrijke verschillende functionele groepen kunnen tolereren. Als bijkomend voordeel genereren deze reacties alleen water als een onschadelijk bijproduct, omdat ze met succes moleculaire waterstof, H2, gebruikten. , als reagens.

Harmonie van machinaal leren en experimenten ter bevordering van katalysatoroptimalisatieprocessen. Credit:Universiteit van Osaka

Dit werk onderzocht ook andere manieren om de milieueffecten van het proces te verminderen en ontdekte dat het gevaarlijke oplosmiddel tetrahydrofuran vervangen kon worden door het minder giftige alternatief 4-methyltetrahydropyran.

Moderne scheikundigen worden geconfronteerd met steeds hogere eisen, en ze jongleren met het ontwikkelen van nieuwe syntheses met een beperkt aantal collega's, terwijl ze rekening houden met de impact op het milieu, efficiëntie, kosten, duurzaamheid en andere factoren. Deze studie toont een belangrijke stap voorwaarts aan in het gebruik van machinaal leren om de ontwikkeling van nieuwe chemische processen te stroomlijnen en benadrukt hoe deze nieuwe processen veranderingen kunnen incorporeren die samenwerken om groene systemen te genereren.

Meer informatie: Yusei Hisata et al, In-silico-geassisteerde derivatisering van triarylboranen voor de katalytische reductieve functionaliteit van van aniline afgeleide aminozuren en peptiden met H2, Nature Communications (2024). DOI:10.1038/s41467-024-47984-0

Journaalinformatie: Natuurcommunicatie

Aangeboden door de Universiteit van Osaka