新模型预测化学反应的不归点

当化学家设计新的化学反应时，一个有用的信息涉及反应的过渡态——反应必须进行的不返回点。

这些信息使化学家能够尝试创造合适的条件，使所需的反应发生。然而，目前预测过渡态和化学反应路径的方法非常复杂，需要大量的计算能力。

麻省理工学院的研究人员现已开发出一种机器学习模型，可以在不到一秒的时间内做出这些预测，并且精度很高。他们的模型可以帮助化学家更容易地设计化学反应，从而生成各种有用的化合物，例如药物或燃料。

“我们希望最终能够设计出能够利用丰富的自然资源并将其转化为我们所需的分子（例如材料和治疗药物）的工艺流程。计算化学对于设计更可持续的工艺流程，将我们从反应物转化为产物至关重要，”拉莫特·杜邦化学工程教授、化学教授、新研究的资深作者 Heather Kulik 说道。

前麻省理工学院研究生段晨儒 (Chenru Duan) 博士（22 届），现就职于 Deep Principle；前佐治亚理工学院研究生刘关宏 (Guan-Horng Liu)，现就职于 Meta；康奈尔大学研究生杜元琪 (Yuanqi Du) 是该论文的主要作者，该论文发表在今天的《自然机器智能》杂志上。

更好的估计

任何给定的化学反应，都必须经历一个过渡态。过渡态发生在达到反应进行所需的能量阈值时。这些过渡态转瞬即逝，几乎不可能通过实验观察到。

作为替代方案，研究人员可以使用基于量子化学的技术来计算过渡态的结构。然而，这个过程需要大量的计算能力，计算单个过渡态可能需要数小时甚至数天的时间。

“理想情况下，我们希望能够利用计算化学来设计更可持续的工艺过程，但这种计算本身在寻找这些过渡态时需要耗费大量的能源和资源，”库里克说。

2023年，库里克、段等人报告了一种他们开发的机器学习策略，用于预测反应的过渡态。该策略比使用量子化学技术更快，但仍然比理想状态慢，因为它需要模型生成大约40个结构，然后通过“置信模型”运行这些预测，以预测哪些状态最有可能发生。

该模型需要运行如此多次的原因之一是，它使用随机生成的猜测作为过渡态结构的起点，然后进行数十次计算，直到得出最终的最佳猜测。这些随机生成的起点可能与实际过渡态相差甚远，这就是为什么需要如此多的步骤。

研究人员在《自然机器智能》论文中描述的新模型 React-OT 采用了不同的策略。在这项研究中，研究人员训练他们的模型从线性插值生成的过渡态估计值开始——这是一种通过在三维空间中将原子移动到反应物和产物中原子位置的中间位置来估计每个原子位置的技术。

“线性猜测是一个很好的起点，可以用来近似计算过渡态的最终结果，”库里克说，“该模型的初始猜测比之前研究中的完全随机猜测要好得多。”

因此，模型生成预测所需的步骤更少，时间也更短。在这项新研究中，研究人员表明，他们的模型只需大约五步即可做出预测，耗时约 0.4 秒。这些预测无需通过置信度模型进行输入，而且准确率比之前的模型高出约 25%。

“这确实使 React-OT 成为一个实用模型，我们可以将其直接集成到高通量筛选中的现有计算工作流程中，以生成最佳过渡态结构，”Duan 说。

“各种各样的化学反应”

为了创建 React-OT，研究人员使用了与训练旧模型相同的数据集对其进行了训练。这些数据包含使用量子化学方法计算的 9000 种不同化学反应的反应物、产物和过渡态的结构，这些反应主要涉及有机或无机小分子。

经过训练后，该模型对该集合中其他未包含在训练数据中的反应表现良好。它在其他未经训练的反应类型中也表现良好，并且能够准确预测较大反应物的反应，这些反应物通常具有不直接参与反应的侧链。

“这很重要，因为很多聚合反应中会涉及到一个很大的大分子，但反应只发生在一个部分。拥有一个可以推广到不同体系规模的模型意味着它可以处理各种各样的化学反应，”库利克说。

研究人员目前正在训练该模型，以便它能够预测包含其他元素（包括硫、磷、氯、硅和锂）的分子之间反应的过渡态。

“快速预测过渡态结构是理解所有化学问题的关键，”苏黎世联邦理工学院理论化学教授马库斯·雷赫尔（Markus Reiher）表示（他未参与这项研究）。“论文中提出的新方法可以大大加快我们的搜索和优化过程，让我们更快地获得最终结果。因此，在这些高性能计算活动中消耗的能源也会更少。任何加速这种优化的进展都将有益于各种计算化学研究。”

麻省理工学院的研究小组希望其他科学家能够利用他们的方法来设计自己的反应，并为此目的创建了一个应用程序。

“只要你有反应物和产物，你就可以把它们放入模型中，它就会生成过渡态，从中你可以估算出预期反应的能量屏障，并看看它发生的可能性有多大，”段说。

该研究由美国陆军研究办公室、美国国防部基础研究办公室、美国空军科学研究办公室、美国国家科学基金会和美国海军研究办公室资助。