Molekylære krystalstrukturer pakker det ind

Uanset om organiske kemikere arbejder på at udvikle ny molekylær energi eller skabe nye blockbuster-lægemidler i den farmaceutiske industri, hver søger, hvordan man optimerer den kemiske struktur af et molekyle for at opnå de ønskede målegenskaber.

En del af denne optimering inkluderer en molekylær krystals pakningsmotiv, et opfattet mønster i, hvordan molekyler orienterer sig i forhold til hinanden i en krystalstruktur. De nuværende pakkemotivdatasæt er forblevet små på grund af intensive manuelle mærkningsprocesser og utilstrækkelige mærkningsordninger.

For at hjælpe med at løse dette problem, et team af Lawrence Livermore National Laboratory (LLNL) materialer og computerforskere har udviklet en frit tilgængelig pakke, Autopakning, som formaliserer pakningsmotivmærkningsprocessen og automatisk kan behandle og mærke pakningsmotiverne af tusindvis af molekylære krystalstrukturer. Forskningen fremgår af Journal of Chemical Information and Modeling .

Småskala krystalingeniørstudier gennem de sidste 30 år tyder på, at mens forudsigelse af eksperimentelle krystalstrukturer fra en kemisk struktur alene forbliver uden for rækkevidde, der kan være sammenhænge mellem molekylernes kemiske strukturer og en specifik egenskab ved den krystalstruktur, de anvender, kaldet pakningsmotivet.

Et molekylær krystal pakningsmotiv er et vigtigt koncept for energikilder og organiske elektroniske applikationer på grund af observerede sammenhænge mellem molekylkrystallers pakningsmotiver og ydelsesegenskaber af interesse, som omfatter ufølsomhed for molekylære sprængstoffer og ladningstransport for molekylære halvledere.

Ingen formaliseret og open source-metode til at tildele pakkemotiver er nogensinde blevet skabt før nu. I stedet, pakningsmotiver tilskrives molekylære krystaller blot ved menneskelig vurdering af en krystalstruktur og bedømmelse, resulterer i små og støjende datasæt.

"I en æra med maskinlæring, evnen til at skabe store, mærkede datasæt af molekylære krystalpakningsmotiver er nu særligt vigtige, " sagde LLNL dataforsker Donald Loveland, hovedforfatter til papiret. "Sådanne bestræbelser kan generere modeller, der kan forudsige pakningsmotiver fra molekylernes kemiske struktur alene, som ville hjælpe organiske kemikere med at prioritere synteser af nye molekyler baseret på det ønskede pakningsmotiv og egenskaber."

Det nye LLNL-værk bruger en effektiv optimeringsalgoritme, der omgår mange problemer, der findes i tidligere foreslåede metoder til etikettering af pakkemotiver, fører til nye avancerede resultater, når de testes på et LLNL-kurateret datasæt.

Gennem Autopack, forskere har været i stand til at generere et datasæt på næsten 10, 000 pakkemotiver til et sæt af energiske og energilignende molekyler af interesse for laboratoriet, en opgave, der ville have været umulig før. For kontekst, Tidligere litteratur har været begrænset til størrelsesordenen 100 molekyler på grund af den kedelige og tidskrævende karakter af håndmærkning. Tidlig analyse af dette nye datasæt antyder komplekse tendenser mellem intermolekylære interaktioner, 3-D molekylære konformationer og vedtagne pakningsmotiver, som i øjeblikket ikke er udforsket i marken, vejledning om de næste trin for krystaltekniske rørledninger.

Koden er frit tilgængelig gennem laboratoriets Innovations- og Partnerskabskontor.