A quantum chemistry dataset containing ground-state and conical-intersection structures of 260k molecules

Dit artikel introduceert een uitgebreide dataset voor kwantumchemie die grondtoestand- en kegelintersectiestructuren omvat voor 260.000 kleine moleculen, berekend op het OM2/MRCI-niveau, om de integratie van fotochemie met machine learning voor het bestuderen van reactieprocessen in aangeslagen toestanden te faciliteren.

De kern

Stel je de wereld van moleculen voor als een uitgestrekt, heuvelachtig landschap. Wanneer een molecuul licht absorbeert (zoals zonlicht), zit het niet stil; het springt een heuvel op naar een "geëxciteerde toestand". Meestal wil het terugglijden naar zijn comfortabele, rustplek (de grondtoestand).

Soms heeft het landschap echter een zeer speciale, lastige plek genaamd een kegelvormige doorsnede (CI). Denk aan een CI als een magische trechter of een knooppunt waar twee verschillende heuvels samenkomen in één punt. Als een molecuul in deze trechter rolt, kan het direct van spoor wisselen en volledig van gedrag veranderen. Zo werkt bijvoorbeeld fotosynthese, zo zien onze ogen licht, en zo beschermen sommige moleculen zichzelf tegen schade door de zon.

Al lang proberen wetenschappers deze trechters in kaart te brengen, maar ze konden slechts enkele kaarten tekenen voor specifieke, kleine steden. Ze konden geen wereldatlas maken omdat het berekenen van deze trechters ongelooflijk moeilijk en traag is.

Wat dit artikel doet:
De onderzoekers hebben een enorme digitale atlas gebouwd met 260.000 verschillende moleculaire "steden". Voor elk van hen hebben ze in kaart gebracht:

1. De comfortabele rustplek (de grondtoestand).
2. De magische trechter waar de sporen elkaar kruisen (de kegelvormige doorsnede).

Hoe ze het hebben gebouwd:
Om deze atlas te maken, gebruikten ze een slimme afkorting. Stel je voor dat je probeert een kaart van de hele wereld te tekenen. Als je probeerde elke boom en elke steen met een laser te meten (wat "hoogwaardige" wetenschap meestal doet), zou het eeuwen duren. In plaats daarvan gebruikten deze wetenschappers een "snelle schets"-methode (genaamd OM2/MRCI). Het is alsof je een snelle, betrouwbare drone gebruikt om foto's van het landschap te maken. Het is niet perfect tot op de millimeter, maar het is nauwkeurig genoeg om de vorm van de heuvels en de locatie van de trechters te zien. Deze snelheid stelde hen in staat een kwart miljoen moleculen te verwerken.

De "Kwaliteitscontrole"-check:
Voordat ze de atlas publiceerden, moesten ze deze opruimen, net als een bibliothecaris die boeken ordent:

• De "Gebroken Kaart"-check: Soms, wanneer ze probeerden de trechter te vinden, viel het molecuul uit elkaar (zoals een Lego-kasteel dat instort). Deze gebroken stukken werden weggegooid omdat ze geen bruikbare trechters zijn; het is gewoon puin.
• De "Verkeerd Adres"-check: Soms raakte de wiskunde in de war en vond een plek die eruitzag als een trechter, maar die eigenlijk lager lag dan het grondniveau (wat fysiek onmogelijk is). Deze werden ook verwijderd.
• Het Resultaat: Na het weggooien van de gebroken of verwarrende kaarten, bleef een schoon, bruikbaar dataset van ongeveer 260.000 moleculen over.

Wat zit er in het dataset?
Het dataset is als een enorme bibliotheek met moleculaire blauwdrukken. Het bevat:

• De Vormen: De exacte 3D-coördinaten van de atomen voor zowel de rusttoestand als de trechertoestand.
• De Energie: Hoeveel energie nodig is om deze plekken te bereiken.
• De Diversiteit: De moleculen zijn divers. Sommige zijn eenvoudige ketens, sommige zijn ringen (zoals fietswielen), en sommige zijn complexe samengevoegde structuren. Ze zijn gemaakt van Koolstof, Stikstof, Zuurstof en Fluor.

Waarom is dit nuttig?
De auteurs zeggen dat dit dataset een oefenterrein is voor Kunstmatige Intelligentie (KI).
Stel het je zo voor: Als je een robot wilt leren een trechter in een landschap te herkennen, kun je niet gewoon één foto laten zien. Je moet hem miljoenen voorbeelden tonen. Dit dataset levert die miljoenen voorbeelden. Nu kan KI de patronen leren van waar deze trechters meestal voorkomen, waardoor wetenschappers kunnen voorspellen hoe nieuwe moleculen zich zouden kunnen gedragen zonder voor elk afzonderlijk molecuul de trage, dure berekeningen te hoeven doen.

Belangrijke Opmerking:
De auteurs zijn zeer duidelijk: Dit is een kwalitatief hulpmiddel. Het is als een weersvoorspelling die zegt "het kan regenen" of "het is zonnig", wat geweldig is voor het plannen van een picknick of het trainen van een model. Maar als je een wolkenkrabber wilt bouwen (een precies medicijn of een specifieke industriële chemische stof), heb je nog steeds de "lasermeting" (hoogwaardige berekeningen) nodig om de exacte details te krijgen. Dit dataset is de kaart die je naar de juiste wijk leidt, niet de blauwdruk voor het huis zelf.

Kortom:
Ze hebben een enorme, snelle kaart gebouwd van 260.000 moleculaire landschappen, met de lastige "trechters" waar chemische reacties plaatsvinden, gemarkeerd. Ze hebben de kaart schoongemaakt, de details gecontroleerd en het beschikbaar gesteld zodat KI deze reacties sneller dan ooit tevoren kan voorspellen.

Technische samenvatting

Technische Samenvatting: De QCDGE-CI Dataset

Probleemstelling
Kegelvormige intersecties (KI's) zijn kritieke topologische kenmerken op potentie-energieoppervlakken waar elektronische toestanden met dezelfde spin ontaarden en fungeren als "trechters" voor niet-adiabatische overgangen in foto-geïnduceerde reacties. Ondanks hun fundamentele belang in fotofysica en fotochemie zijn uitgebreide datasets met KI-structuren en -energieën schaars. Bestaand onderzoek is grotendeels systeemspecifiek en vertrouwt op individuele kwantumchemische berekeningen die niet goed schaalbaar zijn. Hoewel machine learning (ML) het chemisch onderzoek heeft vooruitgebracht, blijft de toepassing ervan op fotochemie beperkt door het gebrek aan hoogwaardige, grootschalige kwantumchemische datasets die specifiek gericht zijn op KI-eigenschappen. De meeste bestaande datasets richten zich op grondtoestanden of bieden slechts voorlopige informatie over aangeslagen toestanden, wat de ontwikkeling van schaalbare ML-modellen voor KI-predictie belemmert.

Methodologie
Om deze datakloof aan te pakken, hebben de auteurs de QCDGE-CI dataset samengesteld, een kwantumchemische repository met grondtoestands- en S0-S1 kegelvormige intersectie-structuren voor 260.541 kleine moleculen. De dataset is afgeleid van de QCDGE-dataset, maar opnieuw geoptimaliseerd om consistentie te waarborgen.

De bouwstroom omvatte vijf hoofdstappen:

1. Geometrie-optimalisatie van de grondtoestand: Initiële geometrieën uit de QCDGE-dataset werden opnieuw geoptimaliseerd op het semi-empirische OM2-niveau om consistentie in de elektronische structuur over de dataset te waarborgen.
2. Validatie van de geometrie: Een hybride validatieprocedure werd toegepast om structurele equivalentie tussen de originele en opnieuw geoptimaliseerde geometrieën te garanderen. Dit omvatte het vergelijken van InChI-strings als primaire filter, gevolgd door vergelijkingen van moleculaire grafieken voor gevallen waarin InChI-strings verschilden, om ware structurele veranderingen te onderscheiden van kleine torsievariaties.
3. Single-point berekeningen: Na optimalisatie werden single-point energieberekeningen uitgevoerd op het OM2/MRCI(4,4)-niveau. Deze methode bouwt een configuratie-interactie-expansie op met drie referentietoestanden (gesloten schaal, enkele HOMO-LUMO-excitatie en dubbele HOMO-LUMO-excitatie) om consistente energie-inschattingen te bieden ten opzichte van het minimum van de grondtoestand.
4. Optimalisatie van kegelvormige intersecties: S0-S1 KI-structuren werden geoptimaliseerd met het Lagrange-Newton-algoritme op het OM2/MRCI-niveau. De geometrieën van de grondtoestand dienden als startgissingen zonder conformationele bemonstering. Om convergentieproblemen inherent aan grootschalige optimalisaties te beheersen, werd het maximum aantal SCF-iteraties ingesteld op 5.000.
5. Datasetfiltering en kwaliteitscontrole: Er werden verschillende filterstappen toegepast op de definitieve dataset:
   • Controle op fragmentatie: Structuren die tijdens de optimalisatie dissocieerden in twee of meer losgekoppelde componenten, werden verwijderd, aangezien ze geen fotochemische trechters vertegenwoordigen.
   • Controle op energievolgorde: Geometrieën waarbij de KI-energie lager was dan het minimum van de grondtoestand (wat mogelijk wijst op convergentie naar lokale minima of veranderingen in connectiviteit) werden uitgesloten om artefacten te voorkomen.

De OM2/MRCI-methode werd geselecteerd vanwege de balans tussen rekenkundige efficiëntie en redelijke nauwkeurigheid bij het beschrijven van KI's, waardoor de verwerking van meer dan 260.000 moleculen mogelijk werd. De dataset richt zich uitsluitend op S0-S1 KI's, die rekenkundig beter hanteerbaar zijn en relevant zijn voor veel niet-adiabatische processen.

Belangrijkste bijdragen en resultaten

• Schal en reikwijdte van de dataset: De definitieve dataset omvat 260.541 moleculen met maximaal tien zware atomen (C, N, O, F). Deze bevat coördinaten en energieën voor zowel minima van de grondtoestand als S0-S1 kegelvormige intersecties.
• Chemische diversiteit: Technische validatie bevestigt de chemische diversiteit van de dataset:
  • Elementaire samenstelling: 14 verschillende elementaire samenstellingen werden geïdentificeerd, waarbij moleculen die gelijktijdig C, N en O bevatten, de grootste categorie vormen (~44,2%).
  • Soorten verbindingen: De dataset bestrijkt acht verschillende verbindingstypes, waaronder heterocycli (26,1%), gefuseerde heterocycli (25,1%) en heteroaromaten (14,4%).
  • Structurele kenmerken: Meer dan 80% van de moleculen bevat ringstructuren. Analyse van de hoofdtraagheidsmomenten (PMI) toont een breed scala aan molecuulvormen, hoewel KI-geometrieën een verschuiving tonen naar meer driedimensionale architecturen in vergelijking met grondtoestanden, waarschijnlijk door bindingsbreuk en torsie.
  • Functionele groepen: 102 functionele groepen werden gedetecteerd, waarbij C=C dubbele bindingen het meest abundant zijn.
• Energieverdelingen: De dataset vertoont een brede verdeling van S1 verticale excitatie-energieën (1–8 eV) en S0-S1 KI-energieën. Over het algemeen zijn KI-energieën lager dan de corresponderende S1 verticale excitatie-energieën bij de minima van de grondtoestand.
• Beschikbaarheid van data: De dataset wordt in twee formaten aangeboden: Final_property.hdf5 (binair bestand met geometrieën en energieën) en final_all.csv (hulpbestand met identificatoren en structurele metadata). Python-scripts voor data-extractie en technische validatie zijn beschikbaar via een GitHub-repository.

Betekenis en claims
De auteurs positioneren de QCDGE-CI dataset als een bron om de kloof tussen fotochemisch inzicht en datagedreven benaderingen te overbruggen. De primaire betekenis ligt in het mogelijk maken van grootschalige patroonanalyse en het trainen van machine learning-modellen voor het voorspellen van KI-structuren en -energieën.

Het artikel presenteert de bruikbaarheid van de dataset expliciet met nederigheid:

• Kwalitatief tot semi-kwantitatief: De dataset is bedoeld voor toepassingen zoals het trainen van ML-modellen, voorlopige screening en grootschalige analyse. Deze is niet ontworpen om hoogwaardige multi-referentieberekeningen voor individuele systemen te vervangen.
• Methodologische beperkingen: De auteurs erkennen de inherente benaderingen van de semi-empirische OM2/MRCI-methode en de uitdagingen van KI-optimalisatie (bijv. convergentiefouten en fragmentatie). Ze betogen echter dat de dataset, ondanks deze beperkingen, een praktische basis biedt voor het verkennen van de enorme chemische ruimte van kegelvormige intersecties, die eerder ontoegankelijk was vanwege rekenkosten.

Door een gestandaardiseerde, grootschalige bron te bieden, beogen de auteurs de ontwikkeling van AI-tools te faciliteren die het begrip van fotochemische reactiemechanismen kunnen versnellen en helpen bij moleculair ontwerp.