Energías libres de solvación de aniones: de datos de referencia seleccionados a modelos predictivos

Área de la Ciencia:

• Química computacional
• Química Física
• Aprendizaje automático en química

Sus antecedentes:

• La predicción precisa de las propiedades fisicoquímicas (solubilidad, lipofilia) es crucial para los solutos ionizables.
• Los métodos de predicción confiables requieren datos de referencia de alta calidad para las energías libres de solvatación de iones, que actualmente son limitadas.
• Los métodos computacionales existentes se enfrentan a desafíos debido a la escasez y precisión de los datos.

Objetivo del estudio:

• Abordar las limitaciones en la calidad y disponibilidad de los datos para la predicción de propiedades iónicas.
• Desarrollar modelos computacionales precisos y baratos para predecir pKa, acidez en fase gaseosa y energías libres de solvación de aniones.
• Proporcionar bases de datos de acceso público y modelos de aprendizaje automático para los fenómenos iónicos.

Principales métodos:

• Bases de datos compiladas y seleccionadas para pKa (8,241 puntos, 8 disolventes) y acidez en fase gaseosa (5,536 puntos) utilizando cálculos QM.
• Energías libres de solvación calculadas para aniones (6,090) y conjugados neutros (6,088) utilizando ciclos termodinámicos y COSMO-RS.
• Modelos de red neuronal de gráficos entrenados (GNN) que utilizan SMILES de reacción para la acidez pKa/fase gaseosa y SMILES para los aniones para predecir las energías de solvatación.

Principales resultados:

• El modelo pKa microscópico logró una alta precisión (0,58-0,59 MAE) en datos no vistos y el desafío SAMPL7.
• Los modelos de acidez en fase gaseosa mostraron errores absolutos medios ligeramente superiores a 2 kcal/mol en comparación con los datos experimentales.
• Los modelos de solvación aniónica de energía libre demostraron errores absolutos medios por debajo de 3 kcal/mol, comparables a los métodos basados en QM.

Conclusiones:

• Los modelos GNN desarrollados ofrecen una alternativa rápida y precisa a los enfoques QM tradicionales para predecir las propiedades iónicas.
• Las bases de datos y modelos disponibles públicamente mejoran significativamente la disponibilidad y la calidad de los datos para la investigación de fenómenos iónicos.
• Estos avances facilitan predicciones más confiables de las propiedades físicoquímicas esenciales de los solutos ionizables.