Imaginez synthétiser puis tester plus de 50 molécules complexes différentes pour identifier le catalyseur le plus efficace pour une réaction chimique particulière. L'approche traditionnelle consistant à développer de nouveaux catalyseurs pour les réactions chimiques selon cette méthode « essayez et voyez » est souvent extrêmement laborieuse, nécessitant de nombreuses expériences répétées avec des molécules candidates potentielles. La technique désormais omniprésente de l'apprentissage automatique peut rendre cette tâche beaucoup plus efficace en prédisant à l'avance les performances des catalyseurs sur la base de caractéristiques théoriques.
Dans une étude publiée dans Nature Communications , des chercheurs de l'Université d'Osaka ont utilisé une bibliothèque informatique de molécules synthétisées avec des molécules encore entièrement théoriques pour trouver le meilleur catalyseur pour une réaction chimique spécifique.
L'objectif des travaux était de trouver de meilleures façons d'ajouter des groupes de carbone aux acides aminés et aux peptides, très courants dans les organismes vivants, afin de modifier les propriétés de ces composés. Comme de nombreuses réactions, ces processus sont améliorés par des catalyseurs, mais un catalyseur traditionnel à base de métal est souvent toxique et/ou coûteux.
Cette étude visait à utiliser les triarylboranes comme catalyseurs, mais en raison de leurs structures relativement complexes, il existe potentiellement des centaines de possibilités. Ces composés sont à base de bore, qui est un élément du groupe principal relativement peu coûteux et moins toxique.
"L'évaluation des catalyseurs moléculaires pour la synthèse organique peut prendre beaucoup de temps", explique l'auteur principal de l'étude, Yusei Hisata. "Dans le cas des triarylboranes utilisés dans nos travaux, de nombreuses permutations de structures moléculaires pourraient nécessiter des mois d'étude rien que pour identifier le candidat optimal."
Les chercheurs ont combiné les données expérimentales d'un nombre limité de triarylboranes synthétisés avec des propriétés prédites pour d'autres molécules qui n'ont pas encore été synthétisées, à l'aide de calculs théoriques, pour créer une bibliothèque de 54 catalyseurs possibles.
"Ce processus a évalué des paramètres qui, selon nous, affecteraient la progression de la réaction", explique Yoichi Hoshimoto, l'auteur correspondant. "Ceux-ci incluaient des facteurs tels que les niveaux d'énergie orbitale moléculaire et les barrières énergétiques à certains processus."
Une régression de processus gaussien utilisant la bibliothèque in silico a identifié un candidat prometteur, et les tests avec ce triarylborane ont démontré un haut niveau de performance. Ce composé pourrait favoriser les réactions d’un acide aminé avec des rendements très élevés et tolérer la présence de nombreux groupes fonctionnels différents. Comme avantage supplémentaire, ces réactions génèrent uniquement de l'eau comme coproduit inoffensif car elles utilisent avec succès l'hydrogène moléculaire, H2. , comme réactif.
Ces travaux ont également examiné d'autres moyens de réduire l'impact environnemental du processus et ont révélé que le solvant dangereux, le tétrahydrofurane, pourrait être remplacé par l'alternative moins toxique, le 4-méthyltétrahydropyrane.
Les chimistes d’aujourd’hui sont confrontés à des demandes croissantes et doivent jongler avec le développement de nouvelles synthèses avec des pairs limités tout en tenant compte de l’impact environnemental, de l’efficacité, du coût, de la durabilité et d’autres facteurs. Cette étude démontre une avancée importante dans l'utilisation de l'apprentissage automatique pour rationaliser le développement de nouveaux processus chimiques et souligne comment ces nouveaux processus peuvent intégrer des changements qui fonctionnent ensemble pour générer des systèmes verts.
Plus d'informations : Yusei Hisata et al, Dérivatisation in silico-assistée de triarylboranes pour la fonctionnalisation catalytique et réductrice d'acides aminés et de peptides dérivés de l'aniline avec H2, Nature Communications (2024). DOI :10.1038/s41467-024-47984-0
Informations sur le journal : Communications naturelles
Fourni par l'Université d'Osaka