La detección de catalizadores muestra cómo la química computacional puede hacer predicciones

Imagine sintetizar y luego probar más de 50 moléculas complejas diferentes para identificar el catalizador más eficaz para una reacción química concreta. La forma tradicional de desarrollar nuevos catalizadores para reacciones químicas suele requerir mucha mano de obra y requiere experimentos repetidos con posibles moléculas candidatas. La técnica ahora común de aprendizaje automático puede hacer que esta tarea sea más eficiente al predecir el rendimiento del catalizador con anticipación en función de propiedades teóricas.

En un estudio publicado en comunicación de la naturalezaLos investigadores de la Universidad de Osaka utilizaron una biblioteca informática de moléculas combinadas con moléculas que actualmente son completamente teóricas para encontrar el mejor catalizador para una reacción química específica.

El objetivo del trabajo era encontrar mejores formas de añadir grupos de carbono a aminoácidos y péptidos, que son muy comunes en los seres vivos, para cambiar las propiedades de estos compuestos. Como muchas reacciones, estos procesos se mejoran con catalizadores, pero un catalizador tradicional a base de metal suele ser tóxico y/o costoso.

El objetivo de este estudio era utilizar triarilboranos como catalizadores, pero debido a su estructura relativamente compleja, existen potencialmente cientos de posibilidades. Estos compuestos se basan en el boro, que es un elemento del grupo principal que es relativamente barato y menos tóxico.

«La evaluación de catalizadores moleculares para análisis orgánicos puede llevar mucho tiempo», afirma Yusei Hisata, autor principal del estudio. «En el caso de los triarilboranos utilizados en nuestro trabajo, muchas permutaciones de estructuras moleculares requerirían meses de estudio sólo para identificar al mejor candidato».

Los investigadores combinaron datos experimentales de un número limitado de triboranos sintetizados con propiedades predichas para otras moléculas que aún no se habían recopilado, mediante cálculos teóricos, para crear una biblioteca de 54 posibles catalizadores.

«Este proceso determinó los parámetros que predijimos que afectarían el progreso de la reacción», explica Yuichi Hoshimoto, autor correspondiente. «Estos incluyen factores como los niveles de energía de los orbitales moleculares y las barreras energéticas en ciertos procesos».

Una regresión del proceso gaussiano utilizando una biblioteca in silico identificó un candidato prometedor y las pruebas con Trirelborn demostraron un alto nivel de rendimiento. Este compuesto puede promover la reacción de un aminoácido con rendimientos muy altos y puede tolerar la presencia de muchos grupos funcionales diferentes. Como beneficio adicional, estas reacciones produjeron solo agua como subproducto inofensivo porque utilizaron con éxito hidrógeno molecular.₂como reactivo.

Este trabajo también examinó otros métodos para reducir el impacto ambiental del proceso y encontró que el solvente peligroso tetrahidrofurano podría reemplazarse con la alternativa menos tóxica 4-metiltetrahidropirano.

Los químicos modernos enfrentan demandas cada vez mayores e intentan desarrollar nuevos compuestos con recursos limitados, teniendo en cuenta el impacto ambiental, la eficiencia, el costo, la sostenibilidad y otros factores. Este estudio representa un importante paso adelante en el uso del aprendizaje automático para acelerar el desarrollo de nuevos procesos químicos y destaca cómo estos nuevos procesos pueden incorporar cambios que funcionen juntos para crear sistemas ecológicos.