Графическое резюме исследования
© Михаил Медведев / Институт органической химии имени Н.Д. Зелинского РАН.
Исследователи показали, что широко используемые методы квантовой химии могут не различать некоторые варианты распределения электронов в молекулах, из-за чего допускают ошибки при моделировании новых лекарств и материалов. Авторы обнаружили эту проблему и продемонстрировали ее на примере модельного набора систем с различным распределением электронов. Открытие поможет усовершенствовать инструменты для описания химических реакций и новых материалов. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в Journal of Chemical Theory and Computation.
Для моделирования новых лекарств и материалов ученые используют методы квантовой химии. Одним из наиболее распространенных инструментов для вычисления свойств молекул служит теория функционала плотности. В рамках этого метода считается, что строение электронной плотности — совокупности всех взаимодействующих между собой электронов — определяет ее свойства и энергию, то есть главную характеристику вещества. Именно энергия определяет его структуру, а также показывает, будет ли протекать та или иная химическая реакция и, если да, то с какой скоростью.
Точная математическая зависимость между плотностью электронов и энергией молекулы пока неизвестна, поэтому ученые разрабатывают приближенные выражения — функционалы плотности. За последние десятилетия было разработано множество таких приближений, среди которых наиболее популярны мета-GGA-функционалы. Они применяются в тысячах исследований, поскольку представляют собой удачный компромисс между точностью и скоростью расчета. Тем не менее, многие современные мета-GGA-функционалы имеют серьезные недостатки, связанные с точностью предсказаний.
Исследователи из Института органической химии имени Н.Д. Зелинского РАН (Москва) обнаружили, что большинство мета-GGA функционалов не способно различить системы со сферической электронной плотностью с кардинально разным поведением. Это говорит о недостатке информации об электронной плотности, который значительно снижает достоверность моделирования.
Ученые показали эту проблему с помощью набора модельных электронных систем. Например, атом аргона и молекула фуллерена — сфера из атомов углерода — на определенном расстоянии от их центра имеют близкие значения градиента электронной плотности, то есть электронная плотность в них меняется одинаково быстро. Разница в том, что при отдалении от ядра аргона плотность уменьшается, а внутри фуллерена, наоборот, увеличивается — так как внутри его углеродного каркаса есть полость, в которой электронов почти нет. Многие функционалы не в силах различить эти два случая — возрастающий и спадающий. Это — их «слепое пятно». Это означает, что предсказание свойств новых лекарств и материалов с помощью функционалов плотности становится неточным.
«Как человек может не различать два разных цвета из-за ограничений в восприятии оттенков сетчаткой глаза (например, пурпурный и фиолетовый), так и функционал может не различать разные электронные плотности, которые должны иметь разные энергии. Оказалось, что большинство функционалов страдают от "слепого пятна". Это говорит о том, что необходимо использовать больше информации о плотности при конструировании новых функционалов. К счастью, с современными методами ИИ это становится проще, чем когда либо», — рассказывает руководитель проекта, поддержанного грантом РНФ, Михаил Медведев, кандидат физико-математических наук, старший научный сотрудник группы теоретической химии Института органической химии имени Н.Д. Зелинского РАН.
Открытие говорит о том, что нужно использовать больше информации об электронной плотности, чтобы повысить точность вычислений. В качестве функционала может использоваться нейросеть — она автоматически выявляет сложные закономерности, в том числе то, как связаны численно выраженные свойства электронной плотности с энергией.
«Предложенные нами модельные электронные распределения будут использоваться в качестве тестов при разработке новых функционалов плотности. Это поможет создать более точные методы моделирования химических процессов и материалов. В дальнейшем мы планируем разработать нейросетевые функционалы плотности — конечно, уже без этого слепого пятна», — подводит итог участник проекта, поддержанного грантом РНФ, Антон Леонов, студент Московского государственного университета имени М.В. Ломоносова.
Ранее ученые разработали новый подход на основе квантово-химических расчетов и машинного обучения, который быстро и эффективно обнаружил ранее неизвестные стабильные геометрии биологически значимых молекул, таких как пептиды и лекарственные соединения.
Источник: indicator.ru
