CHAOS -- A Consistent Large-scale Database for Sigma-Profiles and Other Molecular Descriptors

Die Studie stellt CHAOS vor, eine frei verfügbare, konsistente Datenbank mit hochpräzisen Sigma-Profilen und weiteren quantenchemischen Deskriptoren für über 53.000 Moleküle, die als umfassende Grundlage für die Entwicklung physikbasierter und maschineller Lernmodelle in der Chemie und Materialwissenschaft dient.

Das Wesentliche

Stellen Sie sich vor, Sie sind ein großer Architekt, der eine riesige Stadt bauen will. Um die Stadt zu planen, brauchen Sie nicht nur eine grobe Skizze, sondern detaillierte Baupläne für jedes einzelne Haus: Wie stark ist das Fundament? Wie viel Licht kommt durch die Fenster? Wie verhält sich das Haus bei Sturm oder Hitze?

In der Welt der Chemie ist das ähnlich. Chemiker und Ingenieure wollen wissen, wie sich Millionen verschiedener Moleküle (die "Bausteine" unserer Welt) verhalten, wenn sie sich mischen, lösen oder reagieren. Ein besonders wichtiges Werkzeug dafür ist das sogenannte σ-Profil (Sigma-Profil).

Was ist das σ-Profil? Eine einfache Analogie
Stellen Sie sich ein Molekül wie einen kleinen, unsichtbaren Magnet vor, aber statt Nord- und Südpol hat es eine "Ladungskarte". An manchen Stellen ist es positiv geladen, an anderen negativ. Das σ-Profil ist im Grunde eine Landkarte dieser Ladungen. Wenn Sie wissen, wie die Landkarte eines Moleküls aussieht, können Sie vorhersagen, ob es sich gut mit Wasser mischt, ob es als Lösungsmittel für einen bestimmten Stoff geeignet ist oder wie es sich bei hohen Temperaturen verhält.

Das Problem bisher: Der "Dialekt"-Effekt
Bisher gab es zwar schon einige Datenbanken mit solchen Landkarten, aber sie waren wie ein riesiges Archiv, in dem jeder Architekt einen anderen Baustil und andere Maßeinheiten verwendet hat.

• Der eine hat mit "Fuß" gemessen, der andere mit "Zentimetern".
• Der eine hat den Magnetismus mit einem bestimmten Werkzeug berechnet, der andere mit einem anderen.

Das Ergebnis? Die Daten ließen sich nicht gut vergleichen. Wenn Sie Daten aus verschiedenen Quellen mischten, war das wie ein Gespräch, bei dem jeder eine andere Sprache spricht – man versteht sich nur schwer, und die Ergebnisse sind oft ungenau. Es gab nur wenige tausend Moleküle, für die man diese Karten hatte, und sie waren nicht konsistent.

Die Lösung: CHAOS – Die "Große Einheitsbibliothek"
In diesem Paper stellen die Autoren CHAOS vor. Der Name steht für "Computed High-Accuracy Observables and Sigma Profiles" (Berechnete hochpräzise Beobachtungen und Sigma-Profile).

Man kann sich CHAOS wie eine riesige, perfekt organisierte Bibliothek vorstellen, die von einem einzigen, strengen Architekten-Team erstellt wurde.

• Einheitlicher Stil: Alle 53.091 Moleküle in dieser Bibliothek wurden mit exakt denselben Werkzeugen und denselben Regeln berechnet (einem speziellen mathematischen Verfahren namens ωB97X-D/def2-TZVP). Das bedeutet: Alle Landkarten sind im selben Maßstab und mit derselben Genauigkeit gezeichnet.
• Umfang: Die Bibliothek ist gigantisch. Sie enthält Daten für über 53.000 Moleküle – das ist mehr als das Zehnfache dessen, was vorher öffentlich verfügbar war.
• Vielseitigkeit: CHAOS liefert nicht nur die Ladungskarte (σ-Profil). Es ist wie ein "Alles-in-einem-Paket": Es enthält auch Informationen über die Form des Moleküls, wie es schwingt (wie eine Gitarrensaite), wie es auf Magnetfelder reagiert (NMR) und wie es sich in Flüssigkeiten verhält.

Warum ist das so wichtig?

1. Für die KI (Künstliche Intelligenz): KI-Modelle lieben große, saubere Daten. Wenn man einer KI verrückte, inkonsistente Daten gibt, lernt sie nichts Gutes. Mit CHAOS hat die KI jetzt eine riesige, saubere "Schule", in der sie lernen kann, das Verhalten von Chemikalien vorherzusagen. Das hilft, neue Medikamente oder umweltfreundliche Lösungsmittel viel schneller zu finden.
2. Für Ingenieure: Ingenieure, die chemische Anlagen planen, können jetzt mit viel mehr Sicherheit berechnen, wie sich Stoffe mischen. Sie müssen nicht mehr raten oder teure Experimente für jedes neue Molekül machen, sondern können auf diese präzisen Daten zurückgreifen.
3. Offenheit: Die Bibliothek ist kostenlos für jeden zugänglich. Jeder kann die Daten nutzen, um eigene Modelle zu bauen oder neue Entdeckungen zu machen.

Zusammenfassung
Die Autoren haben mit CHAOS das Chaos (im wörtlichen Sinne) in der Welt der chemischen Daten beendet. Sie haben eine riesige, einheitliche Datenbank geschaffen, die es Wissenschaftlern und Computern ermöglicht, die Sprache der Moleküle endlich klar und verständlich zu sprechen. Es ist wie der Bau einer neuen, perfekten Landkarte der chemischen Welt, auf der man endlich alle Routen sicher planen kann.

Technische Zusammenfassung

Problemstellung

σ-Profile (Oberflächenladungsdichteverteilungen), die aus quantenchemischen Berechnungen im COSMO-Rahmenwerk (Conductor-like Screening Model) abgeleitet werden, sind entscheidende molekulare Deskriptoren für die Lösungsmittelauswahl, thermodynamische Modellierung und datengetriebenes Moleküldesign. Bisherige σ-Profile-Bibliotheken leiden jedoch unter zwei wesentlichen Mängeln:

1. Begrenzte Größe: Die öffentlich verfügbaren Datensätze umfassen nur einige tausend Verbindungen (z. B. LVPP, VT-2005, NIST COSMO-SAC).
2. Inkonsistenz: Bestehende Daten wurden mit unterschiedlichen quantenchemischen Methoden (verschiedene Dichtefunktionaltheorie-Funktionale, Basissätze und Softwarepakete) generiert. Dies führt zu systematischen Inkonsistenzen und Verschiebungen in den Ladungsdichte-Histogrammen, was einen direkten Vergleich oder die Kombination von Daten aus verschiedenen Quellen erschwert und die Entwicklung robuster maschineller Lernmodelle (ML) behindert.

Es fehlte bisher an einer umfassenden, einheitlich generierten Datenbank, die σ-Profile mit einer breiten Palette anderer quantenchemischer Deskriptoren konsistent verknüpft.

Methodik

Die Autoren stellen CHAOS (Computed High-Accuracy Observables and Sigma Profiles) vor, eine Datenbank für 53.091 technisch relevante Moleküle. Die Datengenerierung folgt einem streng standardisierten, mehrstufigen Workflow, um physikalisch sinnvolle und konsistente Ergebnisse zu gewährleisten:

1. Initialisierung und Konformer-Generierung:

   • Startend von MOL-Dateien (aus der Dortmund Data Bank, DDB) werden Moleküle kanonisiert.
   • 3D-Konformer werden mittels RDKit (ETKDG-Algorithmus) generiert und mit dem Universal Force Field (UFF) voroptimiert.
   • Redundante oder hoch energetische Strukturen werden entfernt.

2. Semi-empirische Verfeinerung:

   • Die energieärmsten UFF-Strukturen werden einer exhaustiven Konformersuche unterzogen, durchgeführt mit CREST unter Verwendung des GFN2-xTB-Hamiltonians.
   • Dieser Schritt erfasst nicht-kovalente Wechselwirkungen (Wasserstoffbrücken, Dispersion), die klassische Kraftfelder oft vernachlässigen, und liefert physikalisch fundierte Startgeometrien für die Hochstufen-Rechnungen.

3. Hochgenaue Quantenchemie (DFT):

   • Alle Moleküle werden einheitlich mit Gaussian 16 berechnet.
   • Theorie-Level: ωB97X-D-Funktional in Kombination mit dem def2-TZVP-Basissatz (Triple-ζ). Dies gewährleistet direkte Vergleichbarkeit über den gesamten Datensatz.
   • Berechnungen:
     • Geometrieoptimierung und harmonische Frequenzanalyse (zur Bestätigung von Minima ohne imaginäre Moden).
     • Berechnung von NMR-Abschirmungstensoren mittels GIAO (Gauge-Including Atomic Orbital).
     • Einpunkt-Berechnungen mit dem C-PCM-Solvatationsmodell (Conductor-like Polarizable Continuum Model) zur Generierung der COSMO-Oberfläche und der σ-Profile.

4. Datenaufbereitung:

   • Die Rohdaten werden in strukturierte JSON-Dateien umgewandelt.
   • Zusätzlich zu den Rohdaten werden vorkalkulierte σ-Profile nach dem Open-Source-Protokoll COSMO-SAC-dsp bereitgestellt.

Schlüsselbeiträge und Dateninhalt

CHAOS ist derzeit die größte intern konsistente Datenbank für σ-Profile und verwandte Deskriptoren. Sie enthält für jedes der 53.091 Moleküle folgende Kategorien:

• Strukturelle Daten: Optimierte kartesische Koordinaten, Rotationskonstanten, Symmetriezahlen.
• Elektronische Eigenschaften: Dipol- und Quadrupolmomente, Polarisierbarkeitstensoren, Partialladungen (Mulliken, APT), HOMO-LUMO-Abstand, SCF-Energie.
• Vibrationale Daten: Harmonische Frequenzen, IR-Intensitäten, Nullpunktsenergie (ZPE), ideale Gas-Wärmekapazitäten und Entropien.
• NMR-Daten: Isotrope und anisotrope Abschirmungskonstanten, magnetische Suszeptibilitätstensoren.
• Solvatationsdaten: COSMO-Oberflächeninformationen, segmentweise Ladungsdichten, Solvatationsenergien (elektrostatisch und nicht-elektrostatisch).
• σ-Profile: Gesamte und partielle σ-Profile (unterteilt in nicht-Wasserstoffbrücken, OH-Gruppen und andere H-Brücken-Donoren/Akzeptoren).

Abdeckung: Die Datenbank deckt Moleküle mit Massen bis zu 400 amu und Dipolmomenten bis zu 15 D ab. Die chemische Vielfalt ist hoch, mit einem breiten Spektrum an Heteroatomen (Sauerstoff, Stickstoff, Schwefel, Halogene) und nur ca. 7 % Kohlenwasserstoffen.

Ergebnisse und Vergleich

• Skalierung: CHAOS erweitert den öffentlich verfügbaren chemischen Raum für σ-Profile um mehr als eine Größenordnung im Vergleich zu den bisher größten Datensätzen (LVPP, VT-2005, NIST).
• Konsistenz: Im Gegensatz zu früheren Zusammenstellungen, die HF/TZVP oder GGA-VWN-BP/DNP nutzten, verwendet CHAOS durchgängig das ωB97X-D/def2-TZVP-Protokoll. Dies eliminiert systematische Fehler bei der Kombination von Daten und ermöglicht präzises Benchmarking.
• Methodische Positionierung: CHAOS füllt eine Lücke zwischen sehr großen, energiezentrierten Datenbanken (wie QM9 oder QM7-X, die oft keine Solvatations- oder σ-Profile enthalten) und hochpräzisen, aber kleinen Benchmarks (wie NIST CCCBDB). CHAOS bietet eine mittlere Größe bei triple-ζ-Genauigkeit und integriert erstmals Gasphasen-Spektroskopie, NMR und COSMO-Solvatation in einem einzigen konsistenten Datensatz.

Bedeutung und Ausblick

CHAOS stellt eine umfassende und konsistente Grundlage für die Entwicklung physikbasierter und datengetriebener Modelle dar:

• Maschinelles Lernen: Die Daten ermöglichen das Training robuster ML-Modelle für thermodynamische Eigenschaften, da σ-Profile als physikalisch fundierte Deskriptoren die Vorhersagegenauigkeit für Mischungsverhalten erhöhen.
• Thermodynamische Modellierung: Die Datenbank unterstützt die Reparametrisierung und Validierung von COSMO-basierten Modellen (z. B. COSMO-RS, COSMO-SAC) und hybriden Zustandsgleichungen.
• Verfügbarkeit: Die Datenbank ist unter einer offenen Lizenz (CC-BY-4.0) auf Zenodo verfügbar, zusammen mit dem Workflow-Code auf GitHub.

Zukünftige Erweiterungen sollen kondensierte Phasen, reaktive Systeme und zusätzliche Solvatationsmodelle umfassen. CHAOS fungiert somit als zentraler Katalysator für den Fortschritt in der computergestützten Chemie, Verfahrenstechnik und Materialwissenschaft.