О проекте

Аннотация проекта

Квантовохимическое моделирование химических реакций стало обязательной частью многих химических исследований. Оно позволяет в подробностях изучать химические процессы на молекулярном уровне, определять пути усовершенствования требуемых характеристик химических процессов и тем самым сужает круг необходимых для проведения химических реакций. В рамках НУГ Теоретической химии мы разрабатываем новые теоретические методы, которые позволят более эффективно и точно предсказывать поведение сложных химических систем. Разрабатываемы нами методы опираются как на классические подходы, так и на современные инструменты машинного обучения, такие как нейронные сети. Однако, создание новых методов не является самоцелью - мы сразу же применяем их в задачах моделирования механизмов важных химических реакций и оценки связывания органических молекул с белковыми мишенями. Все эти задачи объединяет одна общая цель: создание универсального подхода к моделированию сложных химических процессов: от каталитического синтеза промышленно важных соединений до связывания потенциального лекарства с биологической мишенью. Реализация данного проекта приблизит момент, когда большинство химических задач можно будет решить не под тягой, расходуя драгоценные - иногда в прямом смысле - реактивы и токсичные растворители, а за компьютером.

Актуальность исследования

Проект тесно связан с проблемой цифровизации научных исследований, а именно, с планированием химического эксперимента путем предварительного компьютерного моделирования результатов этого эксперимента. Улучшение степени предсказуемости синтеза, достижения необходимого результата – конечного продукта — быстрее, меньшими усилиями и меньшими затратами - принципиальная инновация и до сих пор не решенная глобальная экономическая и методологическая задача синтетической химии. Применение предварительного цифрового компьютерного моделирования для достаточно разных объектов исследований - биологически активных соединений, гомогенных и гетерогенных адсорбентов и катализаторов - оправданно существенным сходством закономерностей природы и механизма каталитического (включая биокаталитическое) действия.  Данные технологии в том числе помогут сэкономить время и деньги лабораторий и корпораций за счет обнаружения ошибок в синтетическом плане на ранних стадиях синтеза - цена этих ошибок в настоящее время очень высока. На практике методы ТФП имеют наилучшее соотношение цена/качество среди квантовохимических методов, позволяя, в общем случае, достичь «химической точности» – точности, сравнимой с экспериментальными физико-химическими измерениями – по цене расчета полуэмпирическим методом Хартри-Фока. Однако, ТФП имеет два существенных изъяна: во-первых, точный функционал плотности неизвестен и, возможно, неприменим на практике. Во-вторых, один и тот же функционал может прекрасно решать одни задачи, но быть совершенно неприменимым для других. Вследствие этого задачи разработки новых и усовершенствования уже существующих методов ТФП являются актуальными задачами современной теоретической химии. Исследованиями в области ТФП занимаются в том числе ученые крупных технологических корпораций. Так, например, в 2022 компанией DeepMind был разработан нейросетевой функционал ТФП DM21, о чем опубликована статья в Science. Это доказывает актуальность и востребованность выбранной нами тематики исследований. Отметим, что нами был написан комментарий на вышеупомянутую статью, также опубликованный в Science [10.1126/science.abq3385]. В нём показано, что способность описанного в статье функционала DM21 корректно описывать системы с нецелым зарядом не следует из опубликованных результатов и требует пересмотра.

Цели и задачи

Стратегической целью настоящей работы являются разработка новых функционалов ТФП, усовершенствование уже существующих и, что самое важное, использование инструментов квантовой химии для нужд практической химии. Тем самым решается проблема цифровизации научных исследований в области практической химии, а именно, планирование химического эксперимента путем предварительного компьютерного моделирования результатов этого эксперимента. Выполнение эксперимента – последующий синтез или другие экспериментальные методы – валидируют эффективность компьютерного моделирования. Основная задача данного проекта: увеличение степени предсказуемости синтеза, и достижение необходимого результата – конечного продукта — быстрее, меньшими усилиями и меньшими затратами – принципиальная инновация и до сих пор не решенная глобальная экономическая и методологическая задача синтетической химии. Вторая задача, также связанная с цифровизацией науки, методологическая. Молекулярный дизайн, немыслимый 10 лет назад по простой причине – не было рассчитываемых параметров активных веществ – сейчас вполне может частично (не полностью!) заменить интуицию синтетика, и позволяет получить перспективную модель для синтеза нового лекарства, оптически активного соединения или нового катализатора.

Текущие проекты и ожидаемые результаты

Реализуемые в рамках НУГ проекты делятся на три глобальных направления:

— Тестирование и разработка нейросетевых методов теории функционала плотности. Базис данного проекта был заложен в 2023 году, когда мы успешно обучили физически информированный нейросетевой функционал. В 2024 году мы планируем оценить точность воспроизведения электронных плотностей атомных систем современным безорбитальным нейросетевым функционалом M-OFDFT [DOI: 10.1038/s43588-024-00605-8], чтобы оценить его надёжность. Базис данного проекта заложен нашей публикацией в Science 2017 года [10.1126/science.aah5975].
— Моделирование химических процессов с целью минимизации необходимых к проведению экспериментов, а также определению их механизмов на молекулярном уровне. Так, в рамках данного направления мы планируем изучать реакции циклических пероксидов, 1,3-диполярного присоединения, а также реакции переноса единичного атома углерода. Также планируется моделирование эффекта Поккельса в молекулах, предназначенных для использования в органических электроактивных материалах.

— Разработка методологии для моделирования биологических процессов, которая в перспективе ускорит разработку лекарственных соединений. Так, планируется реализовать подход к локальному признаковому описанию активного центра белка с помощью методов машинного обучения, а также предложить оптимальный протокол для расчёта относительных активностей биоизостерных молекул.