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

In dit artikel wordt CHAOS voorgesteld, een groot en intern consistent database met sigma-profielen en diverse andere kwantumchemische beschrijvers voor meer dan 53.000 moleculen, die is opgesteld met een gestandaardiseerde workflow om de ontwikkeling van modellen voor moleculaire en thermodynamische eigenschappen te ondersteunen.

De kern

Stel je voor dat je een enorme, digitale bibliotheek bouwt voor chemici. Maar in plaats van boeken, bevat deze bibliotheek digitale vingerafdrukken van bijna 54.000 verschillende moleculen.

Dit is wat de onderzoekers van de RPTU Kaiserslautern hebben gedaan met hun nieuwe database, genaamd CHAOS.

Hier is hoe het werkt, vertaald naar alledaags taalgebruik:

1. Het probleem: Een rommelige verzameling

Voorheen hadden wetenschappers al een paar kleine verzamelingen van deze moleculaire vingerafdrukken (die ze σ-profielen noemen). Maar er was een groot probleem:

• Ze waren klein (slechts een paar duizend moleculen).
• Ze waren niet met elkaar te vergelijken. Het was alsof één verzameling was gemaakt met een ouderwetse camera, een andere met een smartphone en een derde met een telescoop. De foto's zagen er allemaal anders uit, waardoor je ze niet goed naast elkaar kon leggen om een groot plaatje te maken.

2. De oplossing: CHAOS – De "Super-Laboratorium"

CHAOS (wat staat voor Computed High-Accuracy Observables and Sigma Profiles) is een gigantische, nieuwe database die dit probleem oplost.

• De Omvang: Ze hebben 53.091 moleculen geanalyseerd. Dat is meer dan 10 keer zoveel als de grootste bestaande verzamelingen samen.
• De Regel: Ze hebben voor elk molecuul precies dezelfde methode gebruikt. Het is alsof ze 53.000 foto's hebben gemaakt met exact dezelfde camera, dezelfde belichting en dezelfde lens. Hierdoor zijn alle foto's perfect vergelijkbaar.

3. Hoe werkt het? (De receptuur)

De onderzoekers hebben een strikt stappenplan gevolgd, alsof ze een recept voor een perfecte taart volgen:

1. Het Ruwe Deeg: Ze begonnen met de basisinformatie van de moleculen (uit een bestaande databank).
2. Het Vormgeven: Ze lieten computers zoeken naar de beste vorm van het molecuul. Eerst met een simpele schets (een snelle berekening), en daarna met een heel nauwkeurige 3D-sculptuur (een complexe berekening).
3. De "Magische" Berekening: Ze gebruikten een heel krachtige rekenmethode (DFT) om te kijken hoe de elektronen zich gedragen. Dit geeft de "vingerafdruk" (het σ-profiel) die vertelt hoe het molecuul zich gedraagt in een oplossing: Is het plakkerig? Is het waterminnend?
4. De Extra's: Naast de vingerafdruk hebben ze ook andere data verzameld, zoals hoe het molecuul trilt (infrarood), hoe het reageert op magneten (NMR), en hoe het zich gedraagt als gas.

4. Waarom is dit zo belangrijk?

Stel je voor dat je een machine wilt bouwen die nieuwe medicijnen of nieuwe brandstoffen ontwerpt.

• Vroeger: De machine kreeg maar een paar duizend voorbeelden te zien, en die waren allemaal op een andere manier getekend. De machine raakte in de war en maakte fouten.
• Nu met CHAOS: De machine krijgt een enorme, superduidelijke dataset van 53.000 voorbeelden. Omdat alles consistent is, kan de machine (of een kunstmatige intelligentie) veel beter leren patronen herkennen.

Het helpt wetenschappers om:

• Beter te voorspellen welke oplosmiddelen goed werken voor een bepaalde chemische reactie.
• Nieuwe materialen te ontwerpen voor batterijen of medicijnen.
• De "chemische taal" te leren spreken, zodat computers zelf nieuwe ideeën kunnen bedenken.

5. De Grootte van de Bibliotheek

De database bevat moleculen van alles en nog wat:

• Van heel klein (waterstof) tot vrij groot (iodoform, bijna 400 keer zo zwaar).
• Van heel onpolar (zoals benzine) tot heel "plakkerig" en elektrisch geladen.
• Ze hebben moleculen met zuurstof, stikstof, zwavel en halogenen, maar ook simpele koolwaterstoffen.

Conclusie

CHAOS is als het bouwen van een wereldwijd, perfect georganiseerd archief voor de chemie. Het is gratis beschikbaar voor iedereen (onder een open licentie), zodat elke wetenschapper, student of ingenieur er gebruik van kan maken om de volgende grote doorbraak in chemie of technologie te vinden.

Het is een fundament waarop de chemie van de toekomst kan worden gebouwd, zonder dat men zich zorgen hoeft te maken over onduidelijke of onbetrouwbare data.

Technische samenvatting

Titel: CHAOS - Een grote database voor $\sigma$-profielen en andere moleculaire beschrijvers

1. Het Probleem

$\sigma$-profielen, afgeleid van kwantumchemische berekeningen binnen het COSMO-raamwerk, zijn cruciale moleculaire beschrijvers voor oplosmiddelenselectie, thermodynamische modellering en datagedreven moleculair ontwerp. Ze coderen informatie over ladingsdichtheid op het molecuuloppervlak, wat essentieel is voor het modelleren van intermoleculaire interacties (zoals waterstofbruggen en polariteit).

Er zijn echter twee fundamentele beperkingen aan bestaande bronnen:

• Beperkte schaal: Bestaande bibliotheken met $\sigma$-profielen bevatten slechts enkele duizenden moleculen (bijv. LVPP, VT-2005, NIST), wat onvoldoende is voor robuust machine learning (ML) of het dekken van een breed chemisch ruimte.
• Inconsistentie: Bestaande datasets zijn gegenereerd met verschillende kwantumchemische methoden (verschillende functionals, basissets en software). Dit introduceert systematische fouten en offsets in de ladingsdichtheidshistogrammen, waardoor het combineren van data uit verschillende bronnen problematisch is en vergelijkingen onbetrouwbaar maakt.

Er is een dringende behoefte aan een grote, intern consistente dataset die onder één gestandaardiseerd protocol is gegenereerd.

2. Methodologie

De auteurs hebben CHAOS (Computed High-Accuracy Observables and Sigma Profiles) ontwikkeld, een database voor 53.091 moleculen. De data-generatie volgde een strikt gestandaardiseerd, meerstaps workflow:

1. Initiële geometrieën:
   • Startend vanuit MOL-bestanden (geïmporteerd uit de Dortmund Data Bank).
   • Canonicalisatie en 3D-conformeren generatie via RDKit (ETKDG-algoritme).
   • Voorbewerking met een universele krachtveld (UFF) om redundante of hoge-energie structuren te verwijderen.
2. Semielementaire conformeren verfijning:
   • Gebruik van CREST met de GFN2-xTB Hamiltoniaan voor een grondige zoektocht naar lage-energie conformeren.
   • Dit stap vangt niet-covalente interacties (zoals waterstofbruggen en dispersie) beter op dan klassieke krachtvelden.
   • Alleen de laagste-energie conformeren binnen een smalle energieband werden geselecteerd.
3. Hoge-niveau kwantumchemische berekeningen (Gaussian 16):
   • Alle geselecteerde structuren werden geoptimaliseerd en geanalyseerd met $\omega$B97X-D (een hybride DFT-functional) en de def2-TZVP basisset (triple-zeta).
   • Validatie: Harmonische frequentieberekeningen bevestigden dat de structuren echte minima zijn (geen imaginaire modi).
   • Berekeningen:
     • GIAO (Gauge-Including Atomic Orbital) berekeningen voor NMR-schilderingen.
     • Single-point C-PCM (Conductor-like Polarizable Continuum Model) berekeningen voor solvatatie-eigenschappen en $\sigma$-profielen.
4. Data-structurering:
   • Alle resultaten zijn opgeslagen in gestructureerde JSON-bestanden, inclusief ruwe segmentdata voor $\sigma$-profielen en voorgecomputeerde profielen volgens het COSMO-SAC-dsp-protocol.

3. Belangrijkste Bijdragen

• Omvang en Schaal: CHAOS bevat $\sigma$-profielen voor 53.091 moleculen, wat een toename is van meer dan een orde van grootte ten opzichte van de grootste bestaande openbare databases.
• Intern Consistentie: Alle data is gegenereerd met exact dezelfde methode ($\omega$B97X-D/def2-TZVP), waardoor directe vergelijkingen en het samenvoegen van datasets mogelijk zijn zonder systematische fouten.
• Uitgebreide Set van Beschrijvers: Naast $\sigma$-profielen biedt de database een breed scala aan kwantumchemische observables:
  • Structuraal: Geoptimaliseerde coördinaten, rotatieconstantes, symmetriegetallen.
  • Elektronisch: Dipoolmomenten, kwadrupooltensors, polariseerbaarheid, HOMO-LUMO gap, SCF-energie.
  • Vibratoir: Harmonische frequenties, IR-intensiteiten, nul-puntsenergie (ZPE), ideale gas warmtecapaciteit en entropie.
  • NMR: Isotrope en anisotrope schilderingstensors, magnetische susceptibiliteiten.
  • Solvatatie: Cavity-informatie, oppervlakte-ladingen, en totale solvatatie-energieën.
• Diversiteit: De database dekt een breed spectrum aan elementen, moleculaire massa's (tot 400 amu) en dipoolmomenten (tot 15 D), met een sterke focus op organische moleculen relevant voor chemische technologie.

4. Resultaten

• Data-kwaliteit: De dataset biedt volledige vibratoire en rotatoire informatie, waardoor thermodynamische grootheden voor ideale gassen op verschillende temperaturen kunnen worden afgeleid.
• Vergelijking: In vergelijking met bestaande bronnen (zoals NIST CCCBDB of Hessian QM9) biedt CHAOS een uniek compromis: het combineert de methodologische nauwkeurigheid van triple-zeta DFT (superieur aan QM9's double-zeta) met de specifieke eigenschappen die nodig zijn voor thermodynamische modellering (zoals $\sigma$-profielen en solvatatie), die vaak ontbreken in grote energie-gerichte databases.
• Beschikbaarheid: De database is vrij toegankelijk via Zenodo onder een open licentie (CC-BY-4.0), inclusief de workflow-scripts (GitHub) voor reproduceerbaarheid en community-uitbreiding.

5. Betekenis en Toekomstperspectief

CHAOS vormt een fundamentele, consistente basis voor de ontwikkeling van zowel fysiek gebaseerde als datagedreven (machine learning) modellen voor thermodynamische eigenschappen.

• Voor ML: Het biedt een grote, homogene dataset om modellen te trainen die moleculaire structuren koppelen aan macroscopisch gedrag, wat essentieel is voor het versnellen van materiaalontdekking.
• Voor Chemische Technologie: Het faciliteert de reparametrering en validatie van COSMO-gebaseerde modellen (zoals COSMO-RS en COSMO-SAC) en ondersteunt oplosmiddelontwerp en procesmodellering.
• Toekomst: De auteurs plannen uitbreidingen naar gecondenseerde fasen en reactieve systemen, en willen de toegankelijkheid voor community-driven hergebruik verder verbeteren.

Kortom, CHAOS vult een kritieke lacune in de kwantumchemische literatuur door een schaalbare, hoogwaardige en methodologisch uniforme bron te bieden die de brug slaat tussen fundamentele kwantummechanica en toegepaste thermodynamica.