A pesquisa do Catalyst mostra como a computação pode eliminar as suposições da química
Desafios para a funcionalização direta de aminoácidos/peptídeos. Crédito:Universidade de Osaka Imagine sintetizar e testar mais de 50 moléculas complexas diferentes para identificar o catalisador mais eficaz para uma reação química específica. A abordagem tradicional para o desenvolvimento de novos catalisadores para reações químicas desta maneira "experimente e veja" é muitas vezes extremamente trabalhosa, exigindo numerosos experimentos repetidos com potenciais moléculas candidatas. A técnica agora onipresente de aprendizado de máquina pode tornar essa tarefa muito mais eficiente, prevendo antecipadamente o desempenho dos catalisadores com base em características teóricas.
Em um estudo publicado na Nature Communications , pesquisadores da Universidade de Osaka usaram uma biblioteca computacional de moléculas que foram sintetizadas junto com moléculas que são inteiramente teóricas no momento para encontrar o melhor catalisador para uma reação química específica.
O objetivo do trabalho foi encontrar melhores formas de adicionar grupos de carbono a aminoácidos e peptídeos, muito comuns em organismos vivos, para modificar as propriedades desses compostos. Como muitas reações, esses processos são aprimorados por catalisadores, mas um catalisador tradicional à base de metal é frequentemente tóxico e/ou caro.
Este estudo teve como objetivo utilizar triarilboranos como catalisadores, mas devido às suas estruturas relativamente complexas, existem potencialmente centenas de possibilidades. Esses compostos são baseados em boro, que é um elemento principal do grupo, relativamente barato e menos tóxico.
“A avaliação de catalisadores moleculares para síntese orgânica pode ser extremamente demorada”, diz o autor principal do estudo, Yusei Hisata. "No caso dos triarilboranos utilizados em nosso trabalho, muitas permutações de estruturas moleculares poderiam exigir meses de estudo apenas para identificar o candidato ideal."
Este trabalho:alquilação direta de aminoácidos/peptídeos catalisada por boro, gerando água como único resíduo. Crédito:Universidade de Osaka
Os pesquisadores combinaram dados experimentais de um número limitado de triarilboranos sintetizados com propriedades previstas para outras moléculas que ainda não foram sintetizadas, por meio de cálculos teóricos, para formar uma biblioteca de 54 possíveis catalisadores.
“Este processo avaliou parâmetros que previmos que afetariam o progresso da reação”, explica Yoichi Hoshimoto, o autor correspondente. "Isso incluía fatores como os níveis de energia orbital molecular e as barreiras energéticas para certos processos."
Uma regressão de processo gaussiana utilizando a biblioteca in silico identificou um candidato promissor, e os testes com este triarilborano demonstraram um alto nível de desempenho. Este composto poderia promover as reações de um aminoácido com rendimentos muito elevados e tolerar a presença de numerosos grupos funcionais diferentes. Como um benefício adicional, essas reações geram apenas água como coproduto inofensivo porque usaram com sucesso o hidrogênio molecular, H2 , como reagente.
Harmonia de aprendizado de máquina e experimentos para promoção de processos de otimização de catalisadores. Crédito:Universidade de Osaka
Este trabalho também examinou outras formas de reduzir o impacto ambiental do processo e descobriu que o solvente perigoso tetrahidrofurano poderia ser substituído pela alternativa menos tóxica 4-metiltetrahidropirano.
Os químicos modernos enfrentam demandas crescentes e fazem malabarismos com o desenvolvimento de novas sínteses com pares limitados, ao mesmo tempo em que consideram o impacto ambiental, a eficiência, o custo, a sustentabilidade e outros fatores. Este estudo demonstra um importante avanço no uso do aprendizado de máquina para agilizar o desenvolvimento de novos processos químicos e destaca como esses novos processos podem incorporar mudanças que funcionam em conjunto para gerar sistemas verdes.
