Und wenn wir künstliche Intelligenz nutzen könnten, um die komplexen molekularen Details chemischer Reaktionen zu entschlüsseln?
Das ist die Meisterleistung, die Chemikern des "Pasteur"-Labors mit zwei Veröffentlichungen in den Zeitschriften
PNAS und
JACS gelungen ist. Indem sie eine systematische Methode vorschlagen, um künstliche Neuronen zu trainieren, die in der Lage sind, die aktuellen Einschränkungen molekularer Simulationen zu überwinden, werfen sie einen neuen Blick auf zwei entscheidende Reaktionen der präbiotischen Chemie.
Chemische Reaktionen sind flüchtige Ereignisse im Leben von Molekülen, und sie direkt zu beobachten ist eine echte experimentelle Herausforderung, selbst mit einem „Supermikroskop“. Molekulare Simulationen sind das beste Werkzeug, um diese Ereignisse nach Belieben zu verfolgen. Aber sie stoßen auf zwei Schwierigkeiten.
Erstens bedeutet das Verfolgen von Reaktionsereignissen in Echtzeit, die Schrödinger-Gleichung
* Millionen von Malen zu lösen, was unmöglich ist. Zweitens würde selbst nach einem solchen rechenintensiven Aufwand nur eine Handvoll Beobachtungen erzielt. Um jedoch ein korrektes Bild einer chemischen Reaktion und ihrer Thermodynamik zu erhalten, lehrt uns die statistische Physik, dass Hunderte von Beobachtungen erforderlich sind, da atomare Systeme probabilistischer Natur sind.
In zwei separaten Studien mit ähnlicher Methodik haben Chemiker des PASTEUR-Labors (CNRS/ENS Paris/Paris Sciences et Lettres/Sorbonne Universität) einen aufstrebenden Ansatz der künstlichen Intelligenz verwendet, um diese Einschränkungen zu überwinden. Die Idee besteht darin, ein künstliches neuronales Netzwerk darauf zu trainieren, die Schrödinger-Gleichung für alle möglichen Strukturen zu lösen, die während einer gegebenen chemischen Reaktion auftreten, und so die aktuellen Einschränkungen der molekularen Simulationen zu überwinden.
Ein kritisches Element für den Erfolg dieses Ansatzes ist es, die relevanten Daten richtig zu identifizieren, auszuwählen und zu organisieren, um das Training zu ermöglichen. Die Wissenschaftler schlagen eine standardisierte und robuste Methode vor, die sich für das Studium der chemischen Reaktivität eignet. Das Ergebnis? Ein Ansatz, der die Kluft zwischen den Welten der Quantenphysik und der statistischen Physik zu einem moderaten Rechenaufwand (und somit zu einem geringen CO₂-Fußabdruck) überwindet.
Diese Arbeiten, die in den Zeitschriften
PNAS und
JACS veröffentlicht wurden, ebnen den Weg für eine wesentlich zugänglichere Modellierung von chemischen Reaktionen in kondensierter Phase. Die Wissenschaftler illustrieren ihre Methoden anhand von zwei grundlegenden Reaktionen des Lebens: der Bildung einer Peptidbindung, die für die Proteinsynthese erforderlich ist, und der Bildung einer Phosphoesterbindung für die Synthese von Nukleinsäuren. So konnten sie die reaktionsgünstigsten Wege für diese beiden Reaktionen aufzeigen, was experimentelle Studien nicht direkt ermöglichen.
Diese Ergebnisse stellen einen ersten Schritt hin zu einem Verständnis der optimalen physikalisch-chemischen Bedingungen für diese energetisch sehr ungünstigen und daher sehr unwahrscheinlichen Reaktionen dar. Dennoch führten sie zur Bildung der ersten elementaren Bausteine des Lebens vor etwas mehr als vier Milliarden Jahren, in einem Kontext, in dem die Katalysatoren des Lebens (die Enzyme) noch nicht existierten und in katalytischen Bedingungen, die noch zu bestimmen sind.
*Die Schrödinger-Gleichung (Erwin Schrödinger, 1925) ist eine grundlegende Gleichung in der Physik, die den quantenmechanischen Zustand eines Systems beschreibt.
Verfasser: AVR
Quellen:
Prebiotic chemical reactivity in solution with quantum accuracy and microsecond sampling using neural network potentials.
Z. Benayad, R. David, G. Stirnemann.
Proceedings of the National Academy of Sciences 2024
https://doi.org/10.1073/pnas.2322040121
Competing reaction mechanisms of peptide bond formation in water revealed by deep potential molecular dynamics and path sampling.
R. David, I. Tuñón, D. Laage.
Journal of the American Chemical Society 2024
https://doi.org/10.1021/jacs.4c03445
Quelle: CNRS INC