The BOS-Lig Dataset: Accurate Ligand Charges from a Consensus Approach for 66,810 Experimentally Synthesized Ligands

Dit artikel introduceert het BOS-Lig-dataset, een experimenteel onderbouwde verzameling van 66.810 unieke liganden afgeleid uit het Cambridge Structural Database, waarbij een iteratieve consensusaanpak wordt gebruikt om nauwkeurige ladingen toe te wijzen en functionele toepassingen te koppelen ter ondersteuning van computationele screening en data-gedreven ligandontwerp.

De kern

Stel je voor dat de chemische wereld een enorme, chaotische bibliotheek is. In deze bibliotheek staan miljoenen boeken over overgangsmetalen (zoals ijzer, koper, goud) die samenwerken met andere moleculen, genaamd liganden. Deze samenwerkingen zijn de motor achter alles: van het maken van medicijnen en brandstofcellen tot het creëren van nieuwe materialen voor schermen.

Het probleem? De boeken in deze bibliotheek (de wetenschappelijke databases) zijn vaak onvolledig. Ze vertellen je hoe de moleculen eruitzien, maar vergeten vaak de belangrijkste regel: wie betaalt de rekening? In de chemische wereld is dit de lading (positief of negatief). Zonder te weten of een ligand positief of negatief is, kun je de rest van het verhaal niet begrijpen. Het is alsof je een recept hebt, maar niet weet of je suiker of zout moet gebruiken.

Hier komt het BOS-Lig-project (Boston Open-Shell Ligand) om de hoek kijken. Dit is een team van onderzoekers van het MIT dat een gigantische, slimme "rekenmachine" heeft gebouwd om deze ladingen voor bijna 67.000 liganden te achterhalen.

Hier is hoe ze het deden, vertaald in alledaagse taal:

1. De Grote Opknapbeurt (Het Verzamelen)

Stel je voor dat je een enorme berg oude kranten (de Cambridge Structural Database) hebt. Hierin staan duizenden foto's van moleculen. Maar veel kranten zijn beschadigd, hebben ontbrekende pagina's, of zijn zo rommelig geschreven dat je de tekst niet kunt lezen.

• Het team: Schoonde deze berg op. Ze verwijderden de "rommel" (zoals onduidelijke kristallen of polymeren die door de hele pagina lopen) en vulden ontbrekende stukjes in (zoals waterstofatomen die vaak vergeten worden getekend).
• Het resultaat: Ze hielden 126.985 schone, duidelijke foto's over.

2. De Slimme Rekenmachine (Het Bepalen van de Lading)

Nu hadden ze de foto's, maar nog steeds geen zekerheid over de lading. Hoe los je dat op?

• De "Gemeenschappelijke Nadering": Stel je voor dat je een groep vrienden ziet die samen een rekening betalen. Als je weet dat de totale rekening €100 is, en je weet dat één vriend €20 heeft betaald, dan weet je dat de rest €80 moet hebben bijgedragen.
• Het proces: Het team begon met de makkelijkste gevallen: moleculen waar alle onderdelen al bekend waren. Ze deden dit eerst met "homoleptische" complexen (waarbij alle liganden hetzelfde zijn). Als je weet dat een complex neutraal is en het bestaat uit 3 identieke liganden, dan moet elk ligand 0 lading hebben.
• Het Domino-effect: Zodra ze de lading van die ene ligand wisten, gebruikten ze die kennis om de lading van andere complexen te berekenen waarin diezelfde ligand voorkwam, maar nu in combinatie met andere, onbekende liganden. Het was een enorme kettingreactie van logisch redeneren.
• De "Meerderheidsstem": Soms gaven verschillende boeken een ander antwoord. Het team keek dan naar de "kwaliteit" van de bron. Een boek met een scherpe foto (een goede kristalstructuur) telt zwaarder dan een wazige foto. Ze stemden dus af wie de juiste lading had, gebaseerd op de beste bewijzen.

3. De "Reinheidsscore" (Is het een Specialist of een Alleskunner?)

Naast de lading wilden ze ook weten: Waarvoor wordt dit ligand gebruikt?

• Sommige liganden zijn specialisten: Ze werken alleen in de biologie (bijvoorbeeld om DNA te bestrijden) of alleen in de lichttechniek (voor schermen).
• Andere zijn alleskunnigen: Ze worden gebruikt in katalyse, medicijnen én magneten.
• Het team gebruikte een slimme AI (zoals een superlezer) om de titels en samenvattingen van duizenden wetenschappelijke artikelen te scannen. Ze kregen zo een "reinheidsscore". Een score van 100% betekent: "Dit ligand doet alleen biologie." Een lage score betekent: "Dit ligand doet van alles."

Waarom is dit belangrijk?

Voor computers die nieuwe medicijnen of materialen ontwerpen (zoals AI), is het cruciaal om de ladingen correct te hebben. Als je een computer vertelt dat een ligand neutraal is, terwijl het eigenlijk negatief is, zal de computer een verkeerd medicijn ontwerpen.

De conclusie in één zin:
Het team heeft een enorme, betrouwbare "woordenboek" gemaakt voor chemici, waarin ze niet alleen de vorm van de moleculen hebben beschreven, maar ook precies hebben uitgelegd wie de lading betaalt en waarvoor ze worden gebruikt. Dit maakt het voor computers veel makkelijker om de volgende grote doorbraak in de chemie te vinden.

Het is alsof ze een enorme, rommelige schuur hebben omgebouwd tot een perfect georganiseerde supermarkt, waar elk product een duidelijk prijskaartje (lading) en een duidelijke bestemming (toepassing) heeft.

Technische samenvatting

Probleemstelling

Transitiemetaalcomplexen (TMC's) zijn essentieel voor toepassingen zoals katalyse, fotochemie en magnetisme. Hoewel er enorme hoeveelheden kristallografische data beschikbaar zijn (bijvoorbeeld in de Cambridge Structural Database, CSD), blijft het systematisch gebruik van deze data voor computationeel high-throughput screenen uitdagend.
De belangrijkste knelpunten zijn:

1. Ontbrekende of inconsistente eigenschappen: Fundamentele eigenschappen zoals de netto lading van liganden en de oxidatietoestand van het metaal zijn vaak niet expliciet geregistreerd in de metadata.
2. Beperkte generalisatie van heuristieken: Bestaande methoden om ladingen af te leiden (zoals de octet-regel of machine learning-modellen zoals cell2mol) werken vaak goed voor specifieke geometrieën, maar falen bij de enorme chemische diversiteit van TMC's, vooral bij complexe of onconventionele structuren.
3. Gebrek aan context: Het is moeilijk om te bepalen voor welke functionele toepassingen (bijv. biologisch, redox, fotofysisch) een bepaald ligand in de literatuur wordt gebruikt, wat essentieel is voor rationeel ontwerp.

Zonder betrouwbare ladingstoewijzingen lopen berekeningen op basis van Dichtheidsfunctionaaltheorie (DFT) en machine learning-modellen het risico op systematische en cumulatieve fouten.

Methodologie

De auteurs hebben een geavanceerde workflow ontwikkeld om een dataset genaamd BOS-Lig (Boston Open-Shell Ligand) te construeren, gebaseerd op 126.985 mononucleaire transitiemetaalcomplexen uit de CSD (update maart 2024).

1. Data-curatie en Complex-lading:

• Filtering: Uit de CSD werden alleen mononucleaire complexen (één metaalatoom) geselecteerd. Polymerice netwerken, disordereerde fragmenten en structuren met ontbrekende atomen werden verwijderd.
• Waterstofcorrectie: Ontbrekende waterstofatomen werden toegevoegd via de CCDC Python API; onwaarschijnlijke toevoegingen leidden tot verwijdering.
• Iteratieve ladingstoewijzing (Complexniveau): In plaats van te vertrouwen op één algoritme, gebruikten de auteurs een iteratieve, consensus-gedreven aanpak:
  • Ze startten met een "seed" van 267 bekende, veelvoorkomende niet-metaalcomponenten (tegenionen).
  • Op basis van de neutraliteit van de eenheidscel werden ladingen van onbekende componenten afgeleid door de bekende ladingen af te trekken.
  • Dit proces werd herhaald over meerdere iteraties (9 in totaal), waarbij een meerderheidsconsensus werd gebruikt voor conflicterende toewijzingen.
  • Een zuiverheidsmetriek (purity metric) werd ingevoerd: een lading werd alleen geaccepteerd als er minstens drie onafhankelijke waarnemingen waren en de meerderheid van de waarnemingen (≥67%) voor die lading koos.

2. Ligand-ladingstoewijzing:

• Met bekende complexladingen en metaaloxidatietoestanden (afgeleid uit tekst-parsing en cell2mol) werd de resterende lading toegewezen aan de liganden.
• Iteratieve propagatie:
  • Eerst werden ladingen bepaald voor homoleptische complexen (waarbij alle liganden identiek zijn), waarbij de totale lading werd gedeeld door het aantal liganden.
  • Vervolgens werden deze toewijzingen gebruikt om heteroleptische complexen op te lossen (waarbij sommige liganden al een bekende lading hebben).
• Gewogen stemming: Om conflicten op te lossen wanneer dezelfde ligand in verschillende complexen verschillende ladingen suggereerde, werd een gewogen stem-systeem gebruikt. Factoren zoals een lage R-factor (hoge kristalkwaliteit), het aantal unieke ligandtypes in het complex en de integer-natuur van de lading bepaalden de weging.

3. Coördinatie en Toepassingsanalyse:

• Coördinatie: Donoratomen en bindingstypen werden geëxtraheerd. Er werd een classificatie voor hemilabiliteit (verandering in coördinatiegetal of donorset) toegepast.
• Toepassingsgebieden: Met behulp van Natural Language Processing (NLP) en topic modeling (BERTopic) werden abstracts van gepubliceerde papers gekoppeld aan de liganden. Liganden werden geclassificeerd in vijf categorieën: reactiviteit/katalyse, biologisch, magnetisme/spin-toestand, redoxchemie en fotofysische chemie.
• Toepassingszuiverheid: Een metriek werd ontwikkeld om te kwantificeren of een ligand gespecialiseerd is (hoge zuiverheid) of breed wordt gebruikt (lage zuiverheid).

Belangrijkste Resultaten

• Dataset Omvang: De BOS-Lig dataset bevat 66.810 unieke liganden met geautomatiseerd toegewezen ladingen, afgeleid uit 94.581 unieke ligandstructuren binnen 126.985 complexen. Dit is een aanzienlijke uitbreiding ten opzichte van eerdere datasets (bijv. ~8.800 in OctLig of ~30.000 in ReaLigands).
• Ladingverdeling: De meeste toegewezen ladingen liggen tussen -4 en +2. Neutrale liganden (39,7%) en -1 geladen liganden (38,5%) zijn het meest voorkomend.
• Nauwkeurigheid:
  • De methode toonde 87% overeenkomst met de octet-regel, maar presteerde aanzienlijk beter bij complexe gevallen (zoals π-acceptorliganden en hypervalente systemen) waar de octet-regel faalt.
  • Vergelijking met cell2mol toonde aan dat de iteratieve methode veel meer structuren succesvol kon verwerken, terwijl cell2mol vaak faalde bij complexe eenheidscellen.
  • Slechts ~4% van de liganden werd als potentieel inconsistent gemarkeerd (meerdere ladingsopties), wat de robuustheid van de consensus-aanpak onderstreept.
• Toepassingskennis: Van de 43.744 liganden met bijbehorende literatuurtekst, konden er 25.146 worden gekoppeld aan minstens één toepassingsgebied. Liganden zoals triphenylfosfine (hoog in katalyse) en fenylalanine (hoog in biologie) toonden hoge "zuiverheidsscores", terwijl andere (zoals polypyridyl-liganden) breed inzetbaar bleken.
• Hemilabiliteit: Ongeveer 8% van de liganden vertoonde meerdere coördinatiemodi, wat dynamisch gedrag in complexen aangeeft.

Significantie en Impact

1. Fundamentele Vooruitgang: De BOS-Lig dataset biedt de tot nu toe grootste experimenteel onderbouwde verzameling van ligandladingen, wat een cruciale basis vormt voor de berekening van elektronische structuren en energetica in transitiemetaalchemie.
2. Betrouwbaarheid voor High-Throughput Screening: Door een robuuste, consensus-gebaseerde methode te bieden, minimaliseert deze dataset de risico's van fouten in geautomatiseerde workflows voor DFT-berekeningen en machine learning.
3. Rationeel Ligandontwerp: De koppeling van chemische structuur (lading, coördinatie) aan functionele toepassingen (via topic modeling) stelt onderzoekers in staat om liganden selectief te kiezen voor specifieke doelen (bijv. het ontwerpen van nieuwe katalysatoren of emissieve materialen).
4. Open Toegang: De dataset en de bijbehorende tools (de BOS-Lig Browser) zijn openbaar beschikbaar, wat de gemeenschap in staat stelt om data-gedreven ontdekkingen in de anorganische chemie te versnellen zonder de noodzaak van diepgaande computationele expertise.

Samenvattend transformeert dit werk ruwe kristallografische data in een gestructureerde, kwaliteitsgecontroleerde kennisbron die de kloof tussen experimentele synthese en computationeel ontwerp van transitiemetaalcomplexen dicht.