molSimplify 2.0: Generación mejorada de estructuras para la automatización del descubrimiento en química molecular e...

Área de la Ciencia:

• Química Computacional
• Ciencia de Materiales
• Química Computacional

Sus antecedentes:

• El modelado molecular automatizado requiere herramientas eficientes para manejar estructuras químicas complejas.
• La generación de complejos de metales de transición (TMCs) con alta denticidad y evitando choques estéricos es un desafío.
• Extender las capacidades de modelado a sistemas periódicos y metaloenzimas es crucial para aplicaciones más amplias.

Objetivo del estudio:

• Proporcionar una descripción general de las funcionalidades principales de molSimplify y las mejoras recientes.
• Presentar nuevas clases y algoritmos mejorados para el modelado molecular y de materiales.
• Demostrar la utilidad de molSimplify para la generación de novo de TMCs y otros sistemas complejos.

Principales métodos:

• Descripción de las clases mol3D y atom3D para almacenar y manipular información atómica/de enlace.
• Introducción de la clase mol2D para la unicidad basada en grafos y la identificación de subestructuras.
• Mejoras en la decoración y la adición de subestructuras para la derivatización molecular sistemática.
• Mejoras en la generación de complejos de metales de transición, incluida la eliminación de choques estéricos y el manejo de ligandos de alta denticidad.
• Integración con modelos de aprendizaje automático para predecir identidades de átomos coordinantes.
• Aplicación de la clase protein3D para el modelado de metaloenzimas.
• Demostración utilizando un flujo de trabajo para generar complejos de Ir a partir de cadenas SMILES.

Principales resultados:

• Capacidades mejoradas para leer, modificar y caracterizar geometrías moleculares.
• Derivatización sistemática de moléculas plantilla a través de funciones mejoradas de decoración y subestructura.
• Generación exitosa de complejos de metales de transición (TMCs) con mayor denticidad y sin choques estéricos.
• Generación de TMCs de novo y de alto rendimiento habilitada por la integración de aprendizaje automático.
• Aplicaciones demostradas en sistemas periódicos (MOF) y metaloenzimas.
• Validación del flujo de trabajo mediante la generación precisa de estructuras de complejos de Ir conocidos.

Conclusiones:

• Las mejoras recientes en molSimplify mejoran significativamente el modelado molecular y de materiales automatizado.
• El código actualizado facilita la generación de novo de TMCs y estructuras relacionadas de alto rendimiento.
• molSimplify es extensible a diversos materiales periódicos como MOF, COF y zeolitas, así como a TMCs multimetálicos.