The Open Molecules 2025 (OMol25) Dataset, Evaluations, and Models

A Meta FAIR apresenta o conjunto de dados Open Molecules 2025 (OMol25), uma coleção abrangente de mais de 100 milhões de cálculos de teoria do funcional da densidade (DFT) que combina diversidade química e precisão para impulsionar o desenvolvimento de modelos de aprendizado de máquina na química molecular.

O essencial

Imagine que você é um chef de cozinha tentando criar o prato perfeito. Para isso, você precisa testar milhões de combinações de ingredientes, temperaturas e tempos de cozimento. No mundo da química, os "ingredientes" são átomos e as "receitas" são moléculas. O problema é que testar tudo isso na vida real é caro, lento e perigoso.

Por décadas, os cientistas usaram uma ferramenta chamada DFT (Teoria do Funcional da Densidade) para simular essas receitas no computador. É como ter uma calculadora superprecisa que diz exatamente como a comida vai ficar. Mas essa calculadora é tão lenta que, para simular uma molécula grande, ela pode demorar dias ou semanas. É como tentar assar um bolo usando uma calculadora de bolso: funciona, mas é ineficiente.

Aqui entra a Inteligência Artificial (IA). A ideia é treinar um "chef robô" (um modelo de aprendizado de máquina) para aprender a cozinhar olhando para os resultados da calculadora lenta. Se o robô aprender bem, ele pode prever o resultado de novas receitas em milissegundos, com a mesma precisão da calculadora lenta.

O problema? Para treinar esse robô, você precisa de um livro de receitas gigante. Até agora, os livros de receitas disponíveis eram pequenos, cobriam apenas ingredientes básicos (como carbono e hidrogênio) e não tinham as "temperaturas" (cargas elétricas e spins) variadas que a química real exige.

A Solução: O "Livro de Receitas" Definitivo (OMol25)

A Meta FAIR lançou o OMol25 (Open Molecules 2025), que é basicamente um livro de receitas químico com 140 milhões de entradas. É o maior e mais diverso conjunto de dados já criado para química molecular.

Aqui está o que torna o OMol25 especial, usando analogias simples:

1. A Diversidade de Ingredientes (83 Elementos):
   Antes, os livros de receitas tinham apenas os básicos: farinha, açúcar e ovos (Carbono, Hidrogênio, Oxigênio). O OMol25 inclui 83 elementos da tabela periódica. Isso significa que o robô agora aprende a cozinhar com metais raros, sais, eletrólitos de baterias e até proteínas complexas do nosso corpo. É como se o chef aprendesse a fazer desde um sanduíche simples até um banquete de gala com ingredientes exóticos.

2. Cenários Reais (Diversidade Química):
   O dataset não é apenas moléculas solitárias. Ele inclui:

   • Biomoléculas: Como proteínas e DNA (a "biologia" da cozinha).
   • Complexos Metálicos: Metais ligados a outras coisas (essenciais para catalisadores e energia).
   • Eletrólitos: Soluções com íons (o que acontece dentro das baterias dos seus celulares e carros elétricos).
   • Reações: O dataset mostra não apenas o prato pronto, mas o processo de como os ingredientes mudam durante o cozimento (reações químicas).

3. O "Laboratório" Gigante:
   Criar esse dataset exigiu 6,6 bilhões de horas de processamento de CPU. Imagine que, se você colocasse todos os computadores do mundo trabalhando juntos, ainda levaria um tempo enorme. A Meta usou seus servidores ociosos para fazer isso, como se estivessem usando o tempo livre de milhões de computadores para gerar conhecimento.

O que eles fizeram com isso?

Além de soltar os dados, eles criaram modelos de referência (os "chefes robôs" iniciais) e um pódio público (leaderboard).

• Os Modelos: Eles treinaram várias IAs (como o eSEN, GemNet-OC e UMA) com esses dados.
• O Pódio: Eles criaram desafios específicos para testar se os robôs realmente aprenderam. Em vez de apenas perguntar "qual é a energia?", eles perguntam coisas práticas:
  • "Se eu mudar a carga elétrica, a molécula ainda se mantém?" (Teste de Ionização).
  • "Se eu afastar duas partes da molécula, a força de atração diminui corretamente?" (Teste de Escala de Distância).
  • "Consegue prever qual a melhor forma de dobrar uma proteína para ela funcionar?" (Teste de Conformação).

Por que isso importa para você?

Pense no OMol25 como a base para a próxima revolução tecnológica:

• Medicamentos: Em vez de testar milhões de compostos em laboratório (o que leva anos), podemos simular rapidamente quais moléculas se encaixam perfeitamente em um vírus ou célula cancerígena.
• Energia Limpa: Podemos projetar baterias novas e melhores, ou encontrar catalisadores mais eficientes para produzir hidrogênio verde, acelerando a transição energética.
• Materiais: Descobrir novos materiais para telas de celular, painéis solares ou plásticos biodegradáveis.

Resumo da Ópera

O OMol25 é como dar a um gênio da IA um livro de receitas de 140 milhões de páginas, escrito na linguagem mais precisa da física quântica, cobrindo desde a química do seu corpo até a química das baterias do futuro.

Antes, a IA era como um aluno que só tinha visto receitas de bolo de cenoura. Agora, com o OMol25, ela tem acesso a todo o universo culinário. O resultado? Modelos que estão começando a atingir uma precisão quase perfeita (química de nível quântico) em uma fração do tempo, abrindo portas para descobertas científicas que antes eram impossíveis de calcular.

O objetivo final é que, no futuro, qualquer cientista ou engenheiro possa usar essas ferramentas para "inventar" novos materiais e remédios no computador antes mesmo de colocar a mão em um tubo de ensaio.

Resumo técnico

Resumo Técnico: Open Molecules 2025 (OMol25)

1. O Problema

O campo da química computacional enfrenta um desafio fundamental: a necessidade de dados abrangentes e de alta precisão para treinar modelos de aprendizado de máquina (ML) que atuem como substitutos (surrogates) da Teoria do Funcional da Densidade (DFT).

• Limitações Atuais: Embora os modelos de ML (Potenciais Interatômicos de Aprendizado de Máquina - MLIPs) prometam oferecer precisão quântica a uma fração do custo computacional, o desenvolvimento de modelos generalizáveis é limitado pela falta de conjuntos de dados massivos que combinem diversidade química, tamanho de sistema e precisão.
• Falta de Diversidade: Conjuntos de dados existentes (como QM9, MD-17, ANI-2x) são frequentemente limitados a moléculas orgânicas pequenas, neutras e com poucos átomos, falhando em cobrir complexos metálicos, eletrólitos, biomoléculas grandes, estados de carga/spin variados e interações intermoleculares complexas.
• Custo Computacional: Gerar dados DFT de alta qualidade em escala (centenas de milhões de cálculos) para cobrir todo o espaço químico é proibitivamente caro e demorado, resultando em uma lacuna entre a capacidade dos modelos e a realidade das aplicações químicas.

2. Metodologia

Os autores, liderados pelo Meta FAIR e colaboradores de diversas instituições, desenvolveram o OMol25, um conjunto de dados massivo e diversificado.

2.1 Escala e Precisão

• Volume: O dataset contém mais de 140 milhões de cálculos de ponto único DFT.
• Nível de Teoria: Todos os cálculos foram realizados no nível $\omega$B97M-V/def2-TZVPD, um funcional híbrido meta-GGA de alta precisão com funções de base difusas, adequado para uma ampla gama de tarefas de química quântica.
• Recursos Computacionais: O projeto consumiu aproximadamente 6,6 bilhões de horas de núcleo de CPU, executados na nuvem privada da Meta.

2.2 Diversidade Química e Domínios

O OMol25 abrange 83 elementos químicos e inclui sistemas de até 350 átomos. A construção do dataset foi dividida em quatro domínios principais, gerados através de 14 métodos distintos:

1. Biomoléculas: Foco em interações proteína-ligante, proteína-proteína e ácido nucleico-ácido nucleico. Utiliza fragmentos de estruturas PDB, com adição de hidrogênios, estados de protonação/tautomeria e simulações de Dinâmica Molecular (MD) para gerar conformações realistas.
2. Complexos Metálicos: Inclui metais de transição, metais do bloco principal e lantanídeos. Utiliza o pacote Architector para gerar estruturas 3D com diversos estados de oxidação, spins e ligantes. Inclui reatividade metálica usando o método AFIR (Artificial Force Induced Reaction).
3. Eletrólitos: Soluções aquosas e não aquosas, líquidos iônicos e sais fundidos. Utiliza MD clássica (OPLS4) e Ring Polymer MD (RPMD) para capturar efeitos quânticos nucleares e interações de solvatação em interfaces e volumes.
4. Moléculas do Bloco Principal e Comunidade: Inclui reatividade orgânica, clusters pesados, gases nobres e a re-cálculo de datasets existentes (ANI-2X, SPICE2, GEOM, etc.) para garantir consistência no nível de teoria.

2.3 Estratégias de Amostragem

• Dinâmica Molecular (MD): Uso extensivo de MD clássica e baseada em MLIPs (EquiformerV2, MACE) para explorar o espaço conformacional e gerar estruturas reativas.
• Reatividade: Geração de caminhos de reação (reactant-transition state-product) usando interpolação geodésica e o método AFIR.
• Divisão de Dados: O dataset é dividido em conjuntos de treino, validação e teste baseados em composições moleculares (fórmulas químicas) para garantir avaliação rigorosa de generalização (Out-of-Distribution - OOD).

3. Contribuições Principais

1. Dataset OMol25: O primeiro dataset de escala massiva (>100M pontos) que cobre simultaneamente bioquímica, química inorgânica, eletrólitos e química orgânica com precisão DFT de alto nível.
2. Modelos Baseline: Treinamento e liberação de vários modelos de estado da arte (eSEN, GemNet-OC, MACE, UMA) adaptados para aceitar carga e spin totais como entradas, essenciais para a diversidade do dataset.
3. Benchmarks de Avaliação: Definição de uma série de tarefas de avaliação práticas que vão além da simples energia/força, incluindo:
   • Energia e forças de interação proteína-ligante.
   • Energia de tensão (strain) de ligantes e ordenação de conformadores.
   • Energias de protonação.
   • Energias de ionização (IE) e afinidade eletrônica (EA) não otimizadas.
   • Lacunas de spin (Spin gaps).
   • Escalonamento de distância (interações de curto e longo alcance).
4. Liderança Pública (Leaderboard): Lançamento de uma plataforma pública para incentivar a comunidade a desenvolver e comparar novos modelos.

4. Resultados

Os modelos treinados no OMol25 demonstraram desempenho notável, mas também revelaram desafios específicos:

• Precisão Geral: Modelos maiores, como o UMA-M-1.1, alcançaram erros médios absolutos (MAE) de energia de 1,38 kcal/mol e de força de 0,13 kcal/mol/Å no conjunto de teste geral, aproximando-se ou superando a precisão química (~1 kcal/mol) em domínios como biomoléculas e orgânicos neutros.
• Desempenho por Domínio:
  • Biomoléculas e Orgânicos Neutros: Baixos erros, indicando que o dataset cobre bem essas áreas.
  • Complexos Metálicos e Eletrólitos: Erros ligeiramente maiores, especialmente em sistemas com múltiplos estados de spin e carga.
• Desafios Identificados (Gaps):
  • Energias de Ionização/Afinidade e Lacunas de Spin: Os erros permanecem altos (4-9 kcal/mol), indicando que os modelos atuais têm dificuldade em descrever corretamente a diferença de energia entre diferentes estados eletrônicos e de spin de uma mesma geometria.
  • Interações de Longo Alcance: Modelos baseados em corte de distância (cutoff) mostram descontinuidades e erros significativos ao escalar distâncias além do raio de corte, sugerindo a necessidade de correções de longo alcance explícitas.
• Comparação com Teoria de Referência: No benchmark Wiggle150 (conformadores tensionados), os modelos treinados no OMol25 alcançaram erros comparáveis aos funcionais DFT de alta precisão (como $\omega$B97M-V) e superaram métodos semiempíricos e redes neurais menores.

5. Significado e Impacto

O OMol25 representa um salto qualitativo para a química computacional baseada em IA:

• Generalização Realista: Ao incluir carga, spin, solvatação e sistemas grandes, o dataset permite treinar modelos que podem ser aplicados a problemas do mundo real, como descoberta de fármacos, design de catalisadores e desenvolvimento de baterias.
• Padrão de Ouro: Estabelece um novo padrão para a qualidade e diversidade de dados de treinamento, superando as limitações de datasets anteriores focados apenas em pequenas moléculas orgânicas.
• Direção Futura: Os resultados apontam claramente para as próximas fronteiras de pesquisa: a necessidade de arquiteturas que lidem melhor com estados de spin/carga, interações de longo alcance e a previsão de propriedades espectroscópicas e energias livres.
• Acesso Aberto: A liberação dos dados (licença CC BY 4.0), pesos dos modelos e código sob licenças permissivas fomenta a colaboração global e acelera a inovação no campo.

Em suma, o OMol25 não é apenas um conjunto de dados, mas uma infraestrutura completa (dados, modelos, avaliações e comunidade) projetada para impulsionar a próxima geração de potenciais interatômicos de aprendizado de máquina, tornando simulações de alta precisão em escalas e tempos anteriormente inacessíveis uma realidade prática.