Una plataforma de descubrimiento integral para los ligandos organofosforados para la catálisis

Área de la Ciencia:

• Química computacional
• Ciencias de los materiales
• Catálisis

Sus antecedentes:

• El diseño de catalizadores moleculares es complejo, a menudo se basa en la intuición y las búsquedas limitadas.
• Predecir el rendimiento del catalizador es crucial para navegar por vastos espacios químicos.

Objetivo del estudio:

• Introducir Kraken, una plataforma basada en datos para el descubrimiento de los ligandos organofosforados.
• Desarrollar modelos predictivos para el rendimiento del catalizador utilizando el aprendizaje automático.

Principales métodos:

• Descriptores fisicoquímicos calculados para 1558 ligandos organofosforados utilizando métodos mecánicos cuánticos.
• Entrenó modelos de aprendizaje automático para predecir propiedades para más de 300,000 nuevos ligandos.
• Desarrolló una plataforma (Kraken) para explorar el espacio de propiedades de ligandos.

Principales resultados:

• Generó descriptores completos para un gran conjunto de ligandos.
• Construyó modelos precisos de aprendizaje automático para predecir las propiedades de los ligandos.
• Exploración sistemática demostrada del espacio de las propiedades de los ligandos organofosforados.

Conclusiones:

• Kraken acelera el descubrimiento y la selección de nuevos catalizadores moleculares.
• Los enfoques basados en datos y el modelado predictivo son clave para el diseño eficiente del catalizador.
• La integración con los datos de catálisis existentes mejora la selección del ligando para la optimización de la reacción.