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

Este artigo apresenta o conjunto de dados BOS-Lig, que atribui cargas líquidas precisas a 66.810 ligantes sintetizados experimentalmente e os associa a áreas de aplicação funcional, utilizando uma abordagem de consenso baseada em 126.985 complexos metálicos do Banco de Dados Estrutural de Cambridge para fundamentar a triagem computacional e o design de ligantes.

O essencial

Imagine que o mundo da química é como uma biblioteca gigante e bagunçada, cheia de milhões de livros sobre como construir máquinas complexas usando metais e peças de encaixe (os ligantes). Esses livros são os dados do Cambridge Structural Database (CSD), onde cientistas do mundo todo guardam as fotos de estruturas químicas que criaram em laboratório.

O problema é que, embora os livros tenham as fotos das máquinas, muitas vezes faltam as etiquetas de preço (a carga elétrica) das peças ou não está escrito para que servem (se são para medicina, energia, etc.). Sem essas informações, é muito difícil para os computadores tentarem criar novas máquinas químicas de forma automática.

Aqui está o que a equipe do MIT fez, explicado de forma simples:

1. O Grande Detetive de Etiquetas (Cargas Elétricas)

Os pesquisadores pegaram quase 127.000 fotos de máquinas químicas (complexos de metais) dessa biblioteca gigante. Eles queriam descobrir o "peso" ou a "carga" de cada peça pequena (ligante) que compõe essas máquinas.

• O Desafio: Às vezes, a etiqueta estava faltando ou estava errada. Se você tentar adivinhar o preço de uma peça apenas olhando para ela, pode errar (como tentar adivinhar o peso de um elefante apenas olhando para uma foto).
• A Solução Criativa (O Consenso): Em vez de tentar adivinhar de uma vez só, eles usaram um método de detetive em grupo.
  • Eles começaram pelas peças que apareciam em muitas fotos iguais (como se fossem peças de Lego muito comuns). Se 100 fotos mostravam a mesma peça em uma máquina neutra, eles deduziram que a peça era neutra.
  • Depois, usaram essas peças "certas" para resolver o quebra-cabeça das máquinas mais complexas. É como se, sabendo que uma peça de 1kg estava em um carrinho, você pudesse calcular o peso do resto do carrinho.
  • Eles fizeram isso em rodadas, como um jogo de "telefone sem fio" onde a informação vai ficando mais precisa a cada volta, até que quase todas as 66.810 peças únicas tivessem sua etiqueta de carga confirmada.

2. O Filtro de Qualidade (A "Pureza")

Às vezes, a mesma peça aparecia em dois livros diferentes com preços diferentes. Para resolver isso, eles criaram um sistema de votação ponderada:

• Se a foto do livro era muito nítida (alta qualidade), o voto valia mais.
• Se a peça era simples e comum, o voto valia mais.
• Eles só aceitaram o preço final se a maioria esmagadora dos votos concordasse. Isso garantiu que o "preço" (carga) fosse confiável.

3. O Mapa de Usos (Para que servem?)

Depois de etiquetar as peças, eles queriam saber: "Essa peça é usada para fazer remédios? Para baterias? Para telas de TV?"

• Eles usaram uma inteligência artificial (como um leitor de livros super-rápido) para ler os resumos dos artigos científicos onde essas peças foram usadas.
• Eles criaram um mapa que mostra se uma peça é um "especialista" (usada só para uma coisa, como um remédio) ou um "generalista" (usada em tudo, desde catalisadores até ímãs).
• Isso ajuda os cientistas a escolherem a peça certa para o trabalho certo, sem ter que ler milhares de livros antigos.

4. O Resultado: O "BOS-Lig"

O resultado final é um super-dicionário digital chamado BOS-Lig.

• Ele contém 66.810 ligantes com suas cargas elétricas corretas.
• Ele diz exatamente como cada peça se conecta ao metal.
• Ele diz para quais áreas da ciência cada peça é mais famosa.

Por que isso é importante?
Antes, tentar criar novas moléculas para curar doenças ou gerar energia era como tentar montar um quebra-cabeça gigante de olhos vendados, adivinhando onde cada peça encaixa. Agora, com o BOS-Lig, os cientistas têm um manual de instruções completo e confiável. Isso permite que computadores e inteligência artificial projetem novas moléculas de forma muito mais rápida e precisa, acelerando a descoberta de novos materiais e medicamentos.

Em resumo: Eles organizaram uma biblioteca bagunçada, etiquetaram milhões de peças com precisão e criaram um mapa de como usá-las, tudo isso para ajudar a construir o futuro da química de forma mais inteligente.

Resumo técnico

Resumo Técnico: O Conjunto de Dados BOS-Lig

1. Problema e Motivação

O avanço na triagem de alto rendimento (high-throughput screening) e no design de ligantes para complexos de metais de transição (TMCs) enfrenta barreiras significativas devido à falta de dados estruturados e consistentes em bases de dados cristalográficas, como o Cambridge Structural Database (CSD).

• Falta de Metadados: Propriedades fundamentais, como a carga líquida de ligantes e suas áreas de aplicação funcional, frequentemente não são explicitamente codificadas ou são inconsistentes nos registros cristalográficos.
• Limitações de Heurísticas Simples: Métodos existentes para inferir cargas (como a regra do octeto ou ferramentas baseadas em aprendizado de máquina como cell2mol) muitas vezes falham em complexos com geometrias não convencionais, sistemas deslocalizados ou quando há ruído experimental, levando a erros sistemáticos em cálculos de DFT e modelos de aprendizado de máquina.
• Necessidade de Contexto: Além da estrutura e carga, é crucial entender em quais contextos experimentais (ex: catálise, biologia, fotofísica) os ligantes são utilizados para guiar o design racional.

2. Metodologia

Os autores desenvolveram um fluxo de trabalho iterativo e baseado em consenso para curar o conjunto de dados BOS-Lig (Boston Open-Shell Ligand).

• Curadoria de Dados Iniciais:

  • Extração de 126.985 complexos mononucleares de metais de transição do CSD (atualização de março de 2024).
  • Filtragem rigorosa para remover redes poliméricas, fragmentos desordenados e espécies não moleculares.
  • Adição de hidrogênios ausentes e validação da "confiabilidade" estrutural (excluindo estruturas onde a adição de H foi excessiva ou improvável).

• Inferência de Cargas de Complexos:

  • Utilização de um fluxo de trabalho iterativo baseado no balanceamento de carga da célula unitária.
  • Definição de "sementes" de carga para 267 moléculas não metálicas comuns (contra-íons).
  • Cálculo iterativo das cargas desconhecidas subtraindo as cargas conhecidas da neutralidade da célula unitária.
  • Aplicação de um critério de consenso: apenas cargas com pelo menos 3 observações independentes e uma pureza de carga (acordo majoritário) $\ge$ 67% são aceitas.

• Atribuição de Cargas de Ligantes:

  • Decomposição dos complexos em fragmentos de ligantes e átomo metálico central.
  • Uso de hashes de grafos moleculares (Weisfeiler-Lehman) para identificar ligantes únicos.
  • Abordagem Iterativa:
    1. Início com complexos homolepticos (mesmo ligante repetido) onde a carga do ligante é calculada diretamente.
    2. Propagação para complexos heterolepticos: se todos os ligantes exceto um tiverem carga conhecida, a carga restante é inferida.
  • Sistema de Pesagem: Para resolver conflitos entre diferentes depósitos cristalinos do mesmo ligante, atribui-se maior peso a estruturas com: (i) fatores R mais baixos (melhor resolução), (ii) menor número de tipos de ligantes únicos e (iii) atribuições de carga inteiras.

• Análise de Coordenação e Aplicação:

  • Extração de átomos doadores e modos de ligação para identificar comportamento hemilábil.
  • Mineração de texto (topic modeling) usando BERTopic em resumos de artigos associados aos códigos CSD para classificar ligantes em áreas funcionais: reatividade, biologia, magnetismo, redox e fotofísica.
  • Definição de uma métrica de pureza de aplicação para quantificar se um ligante é especializado ou de uso geral.

3. Principais Contribuições e Resultados

• Conjunto de Dados BOS-Lig:

  • Identificação de 94.581 ligantes únicos.
  • Atribuição confiável de cargas líquidas para 66.810 ligantes (71% do espaço químico de ligantes identificado).
  • Distribuição de cargas: Predominantemente neutros (39,7%), seguidos por cargas -1 (38,5%) e -2 (17%).

• Validação e Precisão:

  • Comparação com cell2mol: O método proposto cobriu um espaço químico muito maior, enquanto cell2mol falhou em muitas estruturas complexas. Em casos de divergência, a validação manual mostrou que o método iterativo foi tão preciso quanto cell2mol.
  • Comparação com a Regra do Octeto: O fluxo de trabalho concordou com a regra do octeto em 87% dos casos, mas superou-a significativamente em ligantes aceptores de $\pi$, sistemas deslocalizados e doadores hipervalentes (corrigindo 28 de 40 erros da regra do octeto em uma amostra aleatória).
  • Consistência: Apenas ~4% dos ligantes foram classificados como potencialmente inconsistentes (múltiplas atribuições de carga), e a maioria desses foi resolvida por consenso ponderado.

• Caracterização Química:

  • Coordenação: Ligantes neutros são dominados por frameworks de hidrocarbonetos e nitrogênio (piridinas, imidazóis), enquanto ligantes negativos são ricos em oxigênio (carboxilatos, fenóxidos).
  • Hemilabilidade: Identificação de 6.480 pares de ligantes hemilábeis, com predominância do Tipo 1 (mudança no número de coordenação com subconjunto de doadores).

• Classificação Funcional:

  • Associação de 25.146 ligantes a áreas de aplicação específicas.
  • Identificação de ligantes de "alta pureza" (especializados), como fosfinas para reatividade (catalisadores homogêneos) e ligantes ricos em aminas para aplicações biológicas (interação com DNA/RNA).
  • Reconhecimento de ligantes de uso amplo que aparecem em múltiplas categorias (ex: ligantes polipiridílicos usados tanto em reatividade quanto em fotofísica).

4. Significância e Impacto

• Fundação para Triagem Computacional: O BOS-Lig fornece cargas de ligantes experimentalmente fundamentadas e consistentes, essenciais para cálculos de DFT precisos e para evitar erros cumulativos em triagens de alto rendimento.
• Design de Ligantes Orientado por Dados: A combinação de dados de carga, modos de coordenação e contexto de aplicação permite que pesquisadores selecionem ligantes não apenas com base na estrutura, mas também na função desejada (ex: escolher ligantes de alta pureza para um domínio específico).
• Acessibilidade: Os dados e as ferramentas de análise estão disponíveis publicamente através do BOS-Lig Browser (interface web interativa) e no repositório Zenodo, democratizando o acesso a este vasto espaço químico.
• Escalabilidade: O método demonstra ser escalável e robusto, superando abordagens anteriores (como OctLig e DART) em cobertura química e confiabilidade, estabelecendo um novo padrão para a curadoria de dados de complexos de metais de transição.

Em suma, este trabalho transforma dados cristalográficos brutos e desorganizados em um recurso estruturado e rico em metadados, conectando propriedades eletrônicas (carga) com funcionalidade experimental, facilitando a descoberta acelerada de novos materiais e catalisadores.