Una huella dactilar informada por la física para la predicción generalizable de la estabilidad supramolecular

Área de la Ciencia:

• Química computacional
• Ciencia de materiales
• Aprendizaje automático

Sus antecedentes:

• El diseño predictivo de sistemas supramoleculares se ve obstaculizado por descriptores complejos y simulaciones costosas.
• La estabilidad supramolecular depende de la distribución estadística de las interacciones no covalentes, no de parámetros únicos.

Objetivo del estudio:

• Introducir la huella dactilar Kulkarni-NCI (KNF), un novedoso descriptor informado por la física para interacciones no covalentes.
• Desarrollar un marco acelerado por IA para la selección y el descubrimiento de materiales moleculares de alto rendimiento.

Principales métodos:

• Diseñó la huella dactilar Kulkarni-NCI (KNF), un descriptor de nueve características que captura las firmas de interacciones no covalentes.
• Entrenó un modelo universal en KNF para la generalización entre dominios.
• Desarrolló un modelo sustituto de Red de Atención de Grafos (GAT) mejorado en 3D para la predicción rápida de KNF.

Principales resultados:

• La KNF logró un rendimiento predictivo de vanguardia (R² = 0.793), una mejora del 47% con respecto a los descriptores existentes.
• El modelo universal mostró una fuerte generalización en sistemas dominados por enlaces de hidrógeno y dispersión.
• El modelo sustituto GAT aceleró la generación de KNF 416 veces, lo que permitió una rápida selección de miles de combinaciones.

Conclusiones:

• El descriptor KNF ofrece un enfoque escalable, interpretable y eficiente para el diseño de sistemas supramoleculares.
• El marco integrado acelera el descubrimiento racional de materiales moleculares complejos.
• Esta metodología informada por la física y impulsada por IA supera los cuellos de botella computacionales en el descubrimiento de materiales.