Quantum-corrected NMR crystallography at scale

Deze studie introduceert een schaalbaar, op kwantumkernen gebaseerde benadering (QNC-NMR) die, door gebruik te maken van het machine-learning-model PET-MOLS voor het genereren van kwantum-ensembles, de nauwkeurigheid van NMR-kristallografie voor waterstofbruggen aanzienlijk verbetert zonder empirische correcties en ook toepasbaar is op amorfe materialen.

De kern

Stel je voor dat je een enorm ingewikkeld legpuzzel probeert op te lossen, maar de stukjes zijn niet alleen ondoorzichtig, ze bewegen ook nog eens constant en trillen als jellie. Dat is wat wetenschappers doen als ze proberen de structuur van moleculen (zoals medicijnen of plastic) te begrijpen. Ze gebruiken een techniek genaamd NMR-kristallografie.

Hier is hoe dit werkt, vertaald naar alledaags taal, met een paar creatieve vergelijkingen:

Het Probleem: De "Glijdende" Puzzelstukjes

Normaal gesproken kijken wetenschappers naar een foto van een molecuul (zoals een statische foto) om te zien hoe het eruitziet. Ze meten dan hoe de atomen reageren op magnetische velden (de NMR-metingen) en vergelijken dit met wat hun computers berekenen.

Maar er zit een groot probleem in:

1. De foto is statisch, de realiteit is dynamisch: In de echte wereld trillen atomen en bewegen ze snel. De computer kijkt vaak alleen naar de "ruststand" van het molecuul, alsof je een foto maakt van een danser die stil staat, terwijl hij in werkelijkheid aan het dansen is.
2. De "geestelijke" atomen: Vooral waterstofatomen (protonen) zijn heel licht. Ze gedragen zich niet als stevige balletjes, maar meer als een wazige wolk van waarschijnlijkheid (quantummechanica). Een simpele computerberekening ziet dit niet en denkt dat ze op één punt zitten, terwijl ze eigenlijk over een groter gebied "wazig" zijn.

Het gevolg? De berekeningen kloppen niet goed, vooral bij de waterstofatomen die belangrijk zijn voor hoe moleculen aan elkaar plakken (waterstofbruggen). Het is alsof je probeert de vorm van een wolk te beschrijven door alleen naar de schaduw op de grond te kijken.

De Oplossing: Een Nieuwe "Super-Bril"

De auteurs van dit paper hebben een nieuwe manier bedacht, genaamd QNC-NMR (Quantum Nuclei Corrected NMR). Ze hebben twee slimme trucjes gecombineerd om dit probleem op te lossen:

1. De "PET-MOLS": De Snelle, Slimme Architect

Stel je voor dat je een architect nodig hebt die een gebouw kan ontwerpen. Normaal moet je een supercomputer gebruiken die dagenlang rekent om elke steen perfect te plaatsen (DFT-berekeningen). Dat is te langzaam voor grote gebouwen (zoals amorfe materialen of medicijnen).

De auteurs hebben een Machine Learning-model (PET-MOLS) getraind. Dit is als een architect die duizenden gebouwen heeft gezien en nu in een flits kan voorspellen hoe een nieuw gebouw eruitziet, zonder dat hij uren hoeft te rekenen. Deze "architect" is zo getraind dat hij niet alleen de statische vorm ziet, maar ook hoe het gebouw beweegt als het warm wordt.

2. De "Quantum-Wolk": De Dansende Atomen

Vervolgens gebruiken ze deze snelle architect om een heleboel mogelijke vormen van het molecuul te genereren die rekening houden met de trillingen en de "wazigheid" van de waterstofatomen. In plaats van één statische foto, krijgen ze een film van het molecuul dat danst en trilt.

Ze nemen al die beelden uit die film en rekenen het gemiddelde. Dit is de QNC-stap. Het is alsof je niet kijkt naar één momentopname van een danser, maar naar de gemiddelde beweging van de hele dans. Hierdoor zie je precies waar de atomen echt zijn, inclusief hun quantum-wazigheid.

Het Resultaat: Een Scherpere Foto

Wat leverde dit op?

• Twee keer beter: Voor de lastige waterstofatomen was de fout in de berekening gehalveerd. De voorspellingen kwamen veel dichter bij de werkelijkheid.
• Grote gebouwen: Omdat de methode zo snel is, kunnen ze nu ook enorme, chaotische structuren (zoals amorfe medicijnen of plastic) analyseren. Dat was voorheen onmogelijk omdat de rekenkracht niet volstond.
• Zelf-correctie: Ze hebben zelfs een manier bedacht om de "architect" nog slimmer te maken door zijn voorspellingen af te stemmen op echte meetresultaten. Het is alsof je de architect een spiegel voorhoudt zodat hij zijn tekeningen kan verbeteren.

De Vergelijking in het Kort

• Oude methode: Je kijkt naar een statische foto van een danser en probeert te raden hoe hij beweegt. Je raadt het vaak verkeerd.
• Nieuwe methode (QNC-NMR): Je gebruikt een super-snel cameraapparaat (Machine Learning) om een video te maken van de danser die trilt en beweegt. Je kijkt naar de gemiddelde beweging en ziet precies hoe hij eruitziet, zelfs als hij "wazig" is door quantum-effecten.

Waarom is dit belangrijk?

Dit helpt bij het ontwerpen van betere medicijnen en materialen. Als je precies weet hoe een molecuul eruitziet en hoe het beweegt, kun je medicijnen maken die beter werken, of materialen die sterker zijn. Het maakt het mogelijk om de "verborgen wereld" van atomen in te zien, zelfs in de meest chaotische en complexe materialen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Quantum-corrected NMR crystallography at scale" in het Nederlands.

Titel: Quantum-correcte NMR-kristallografie op schaal

Auteurs: Matthias Kellner, Ruben Rodriguez-Madrid, Jacob B. Holmes, Victor Paul Principe, Lyndon Emsley, Michele Ceriotti.
Affiliatie: École Polytechnique Fédérale de Lausanne (EPFL), Zwitserland.

---

1. Het Probleem

De bepaling van de structuur van organische materialen (zowel kristallijn als amorfe) via chemische verschuivingen in vaste-stof NMR (NMR-kristallografie) staat voor een fundamentele uitdaging. Hoewel NMR zeer gevoelig is voor waterstofbruggen en de lokale omgeving van labiele protonen, zijn de theoretische voorspellingen van chemische verschuivingen voor deze specifieke atomen vaak onnauwkeurig.

De belangrijkste beperkingen van bestaande methoden zijn:

• Vernachting van kwantummechanische effecten: Traditionele berekeningen gebruiken vaak statische, energie-minimaliserende structuren. Ze negeren thermische beweging en, cruciaal, nucleaire kwantumeffecten (NQE). Lichte kernen, zoals protonen, vertonen kwantumdelokalisatie, wat de chemische verschuiving aanzienlijk beïnvloedt.
• Onnauwkeurige potentiaaloppervlakken: Bestaande methoden gebruiken vaak klassieke krachtenvelden (die geen bindingsbreuk kunnen modelleren) of DFT-functies op GGA-niveau (zoals PBE), die onnauwkeurige bindingslengtes en protoneringstoestanden voorspellen.
• Schaalbaarheid: Methoden die NQE correct beschrijven, zoals Pad-integraal moleculaire dynamica (PIMD) met ab initio DFT, zijn computationally te duur voor systemen met duizenden atomen, zoals amorfe materialen of grote moleculaire kristallen.
• Resultaat: Dit leidt tot grote fouten (vaak >1,5 ppm) bij de voorspelling van chemische verschuivingen voor waterstofgebonden protonen, wat de betrouwbaarheid van structurele bepaling ondermijnt.

2. Methodologie

De auteurs introduceren een nieuwe aanpak genaamd QNC-NMR (Quantum Nuclei Corrected NMR). Deze methode combineert machine learning (ML) voor zowel de interatomaire potentiaal als de chemische verschuivingen, gekoppeld aan PIMD-simulaties.

De workflow bestaat uit de volgende stappen:

1. Ontwikkeling van PET-MOLS: Een nieuw, overdraagbaar Machine Learning Interatomaire Potentiaal (MLIP) genaamd PET-MOLS (Point-Edge Transformer for Molecular Organic Solids).
   • Dit model is getraind op ~10.000 thermisch gesamplede en relaxeerde configuraties van diverse moleculaire kristallen (uit de Cambridge Structural Database).
   • Het is getraind op PBE0+MBD DFT-niveau, wat essentieel is voor het correct modelleren van fractionele protoneringstoestanden en bindingsbreuk.
   • Het model is uiterst efficiënt en kan structuren genereren met DFT-accuraatheid tegen een kostprijs vergelijkbaar met empirische krachtenvelden.
2. PIMD Sampling: In plaats van statische structuren, worden ensembles van structuren gegenereerd via Pad-integraal Moleculaire Dynamica (PIMD) met behulp van PET-MOLS. Dit neemt zowel thermische fluctuaties als nucleaire kwantumeffecten (delokalisatie van protonen) in rekening.
3. Voorspelling van Chemische Verschijvingen: De gegenereerde ensemble van structuren wordt gebruikt als input voor een bestaand ML-model voor chemische verschuivingen, ShiftML3. De uiteindelijke voorspelling is het ensemble-gemiddelde van deze verschuivingen.
4. Onzekerheidskwantificatie: PET-MOLS beschikt over een ingebouwde schatting van onzekerheid (via een ensemble van de laatste laag). Dit stelt de auteurs in staat om te detecteren wanneer het potentieel-energieoppervlak onzeker is over de protoneringstoestand (bijv. bij evenwicht tussen zout en co-kristal).
5. Finetuning (ELF): Een "Ensemble of Latent Features" (ELF) aanpak wordt gebruikt om het ShiftML3-model te finetunen tegen experimentele data. Hierbij worden de gewichten van de laatste laag van het model aangepast op basis van ensemble-gemiddelde kenmerken, wat de nauwkeurigheid verder verhoogt zonder overfitting.

3. Belangrijkste Bijdragen

• QNC-NMR Framework: Een schaalbare methode die nucleaire kwantumeffecten integreert in NMR-voorspellingen voor systemen met duizenden atomen, wat voorheen onmogelijk was met ab initio methoden.
• PET-MOLS: Een universeel MLIP specifiek getraind op organische vaste stoffen met hybride DFT (PBE0+MBD) referenties, wat een verbeterde beschrijving van waterstofbruggen en protonering mogelijk maakt.
• Zelfdiagnose: Het vermogen om onzekerheid in protoneringstoestanden te kwantificeren, waardoor de betrouwbaarheid van de voorspellingen voor complexe systemen (zoals zout/co-kristal overgangen) kan worden beoordeeld.
• Toepassing op Amorfe Materialen: De eerste succesvolle toepassing van deze geavanceerde kwantum-correctie op grote schaal amorfe structuren (GLP-1RA agonist), waar traditionele methoden faalden.

4. Resultaten

De methode werd getest op een benchmarkset van 7 kristallijne structuren en een groot amorfe systeem:

• Verbetering van Nauwkeurigheid:
  • Voor waterstofgebonden protonen (H-shifts > 9,6 ppm) daalde de Root Mean Square Error (RMSE) van 1,63 ppm (bij statische PBE-geometrieën) naar 0,75 ppm met QNC-NMR. Dit is een tweevoudige verbetering.
  • Voor alle 1H-atomen daalde de RMSE van 0,66 ppm naar 0,50 ppm.
  • Voor 13C-atomen daalde de RMSE van 2,38 ppm naar 1,81 ppm.
• Temperatuurafhankelijkheid: De methode reproduceerde correct de temperatuurafhankelijke veranderingen in chemische verschuivingen (bijv. in een fenol-pyridine adduct), wat direct gekoppeld is aan veranderingen in de protoneringstoestand.
• Amorfe Materialen (GLP-1RA):
  • Voor de amorfe structuur van een glucagon-achtig peptide-1 receptor agonist (GLP-1RA) toonden traditionele krachtenveld-simulaties (FF-MD) een grote discrepantie met experimenten (voorspelling ~8 ppm vs. experiment ~13,2 ppm voor een zure OH-groep).
  • De QNC-NMR aanpak verschuefde de voorspelde verdeling naar 12,6 ppm, in uitstekende overeenstemming met het experiment. Dit werd veroorzaakt door de overgang van harmonische benaderingen naar anharmonisch gedrag en NQE in PET-MOLS.
• Finetuning: Door het ELF-model te finetunen op een beperkte dataset van experimentele 13C-data, werd de RMSE verder verlaagd met ongeveer 0,1 ppm, wat aantoont dat het model verder kan worden geoptimaliseerd.

5. Betekenis en Conclusie

Dit werk markeert een doorbraak in de NMR-kristallografie door de kloof tussen theorie en experiment te overbruggen voor complexe organische materialen.

• Schaalbaarheid: Het maakt het mogelijk om kwantumcorrecte NMR-voorspellingen uit te voeren op systemen met duizenden atomen, wat essentieel is voor het bestuderen van amorfe geneesmiddelen, cementen en andere complexe materialen die niet toegankelijk zijn voor directe DFT-simulaties.
• Betrouwbaarheid: Door het elimineren van empirische correcties en het expliciet modelleren van kwantumnucleaire effecten, biedt de methode een robuustere basis voor het oplossen van structuren, vooral voor de meest informatieve maar moeilijk te voorspellen waterstofbruggen.
• Toekomstperspectief: De auteurs benadrukken dat de beschikbaarheid van grote datasets met experimentele NMR-data, gecombineerd met deze schaalbare ML-methoden, de resolutiekracht van NMR-kristallografie aanzienlijk zal verhogen voor de karakterisering van nieuwe materialen en farmaceutische formuleringen.

Kortom, QNC-NMR transformeert NMR-kristallografie van een methode die vaak afhankelijk is van benaderingen en empirische correcties, naar een kwantitatief nauwkeurige en schaalbare techniek voor de atomaire structuurbepaling van complexe organische materie.