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 PhD ’22 es el autor principal de un documento que describe el trabajoque aparece hoy en Ciencia Computacional de la Naturaleza. El estudiante graduado de la Universidad de Cornell, Yuanqi Du, y el estudiante graduado del MIT, Haojun Jia, también son autores del artículo.
Transiciones fugaces
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 se desarrolle la reacción. 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 se produzca una transformación química. Si tenemos mucho de algo que no queremos, como dióxido de carbono, y nos gustaría convertirlo en un combustible útil como metanol, el estado de transición y qué tan favorable es determina la probabilidad de que salgamos del reactivo del 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 de los reactivos se rotan, 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 el entrenamiento con aprendizaje automático sea 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”, dice 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 llevaría generar solo unos pocos con el método convencional”, dice Kulik.
Modelado de reacciones
Aunque los investigadores entrenaron su modelo principalmente en reacciones que involucraban compuestos con un número relativamente pequeño 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”, dice 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 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.
El nuevo método representa “un importante paso adelante en la predicción de la reactividad química”, afirma Jan Halborg Jensen, profesor de química de la Universidad de Copenhague, que no participó en la investigación.
“Encontrar el estado de transición de una reacción y la barrera asociada es el paso clave para predecir la reactividad química, pero también una de las tareas más difíciles de automatizar”, afirma. “Este problema está frenando muchos campos importantes, como el catalizador computacional y el descubrimiento de reacciones, y este es el primer artículo que he visto que podría eliminar este cuello de botella”.
La investigación fue financiada por la Oficina de Investigación Naval de EE. UU. y la Fundación Nacional de Ciencias.