Estrategia computacional híbrida para predecir arquitecturas complejas de ligando y metal.

Área de la Ciencia:

• Química computacional es la química computacional.
• Ciencia de los materiales ciencia de los materiales.
• Informática Química informática química informática química informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática informática

Sus antecedentes:

• La predicción de la coordinación metal-ligando es crucial para el diseño de complejos metálicos y catalizadores.
• Los ligandos pueden exhibir numerosos modos de coordinación, lo que plantea desafíos para los químicos.
• Los métodos existentes luchan con complejos patrones de coordinación.

Objetivo del estudio:

• Desarrollar un enfoque computacional para predecir patrones complejos de coordinación metal-ligando.
• Para crear un modelo versátil aplicable a una amplia gama de ligandos y metales.
• Proporcionar una herramienta accesible para los químicos.

Principales métodos:

• Un enfoque computacional híbrido que combina Machine Learning (ML) y reglas basadas en el conocimiento.
• Entrenar un algoritmo de aprendizaje automático en los datos de la base de datos estructurales de Cambridge (CSD).
• Desarrollar un modelo predictivo para los patrones de coordinación.

Principales resultados:

• El modelo ML predice con éxito patrones complejos de coordinación para varios ligandos y metales.
• El enfoque maneja diversos tipos de ligandos, incluidos los ligandos hemilabílicos, hápticos y de alta densidad.
• El modelo es efectivo en diferentes estados de oxidación de los metales.

Conclusiones:

• El enfoque híbrido ML desarrollado ofrece una solución robusta para predecir la coordinación metal-ligando.
• La herramienta mejora el diseño racional de complejos metálicos y catalizadores.
• El algoritmo está disponible a través de RDKit y un portal web público.