Evolution eines Katalysators Algorithmus entwickelt bessere Katalysatoren für die Synthese

Evolution ist nicht nur ein Grundprinzip in der Biologie. Sie kann auch in der Chemie helfen. Mittels eines evolutionären Algorithmus haben Forscher einen neuen Katalysator für die Synthese entdeckt, der bisherige Vertreter im Praxistest an Leistung übertraf.

Künstliche Intelligenz wird seit Aufkommen des Chatbots ChatGPT verstärkt in der breiten Öffentlichkeit diskutiert. Die vermeintlich denkenden Programme sind aber auch in spezialisierten Bereichen längst in der Lage, erstaunliche Leistungen zu liefern. So können automatisierte, lernende Systeme bereits Materialeigenschaften und Molekülstrukturen hochgenau vorhersagen. Eine automatisierte Suche nach neuen, besseren Katalysatoren für die Synthese war damit bislang jedoch noch nicht möglich. Dabei ist es eine der Hauptaufgaben der chemischen Forschung, Katalysatoren für chemische Reaktionen zu entwickeln. Denn je effektiver der Katalysator ist, desto leichter läuft die Reaktion ab, desto weniger Energie wird verbraucht und desto weniger Nebenprodukte entstehen.

Retrosynthese

Chemische Synthese mit künstlicher Intelligenz

Doch weshalb haben automatisierte Systeme in der Katalysatorforschung Schwierigkeiten? Der Grund liege an den Übergangszuständen, erklärt Jan Halborg Jensen, Professor für Chemie an der Universität von Kopenhagen und Korrespondenzautor einer aktuellen Studie, die sich mit evolutionären Rechenverfahren beschäftigt hat. Der Übergangszustand ist die Zwischenform, die Moleküle in einer Reaktion zum Produkt durchlaufen müssen. Katalysatoren beeinflussen den Übergangszustand, also den Moment in einer Reaktion, an dem sich entscheidet, ob das gewünschte Produkt entsteht oder nicht. Hier mache die Kurzlebigkeit und Komplexität dieses Moments mit mehreren beteiligten Molekülen die Entwicklung von Modellen sehr schwierig, betont der Forscher.

Katalysatorsuche ist, wie aus dem Wolf einen Chihuahua zu machen

Um dennoch neue Katalysatoren zu finden, wandten Jensen und sein Team ein von der Evolution inspiriertes Selektionsverfahren an. Hierbei prüft ein so genannter genetischer Algorithmus einen Satz von Ausgangsmolekülen auf die Eignung für die Reaktion. „Dann paart man die geeignetsten Moleküle, indem man immer zwei Elternmoleküle willkürlich zerschneidet und die Fragmente rekombiniert“, erklärt Jensen den Vorgang „Wenn man das oft genug macht, kann die finale Population sehr unterschiedlich von der Ausgangspopulation aussehen– ungefähr so, wie sich ein Chihuahua von seinen wölfischen Vorfahren unterscheidet.“

So besaßen die vom Computer vorgeschlagenen Endmoleküle als neues Strukturmotiv einen viergliedrigen Azetidinring, der in der Ausgangspopulation nicht zu finden war. Eine dieser Azetidinverbindungen wurde synthetisiert und auf ihre Leistungsfähigkeit als Katalysator in der Morita-Baylis-Hillmann-Reaktion getestet. Wie die Forscher feststellten, schnitt es deutlich besser ab als der zuvor verwendete klassische Katalysator DABCO (1,4-Diazabicyclo[2.2.2]octan). Azetidine wurden bislang noch nicht als Katalysatoren für diese Reaktion vorgeschlagen. „Der Algorithmus entdeckte also etwas vollständig Neues“, stellt Jensen die Bedeutung der rechnergestützten chemischen Forschung heraus.

Voraussetzung für die Entdeckung neuer Katalysatoren auf diese Weise sei das Wissen um den entscheidenden Übergangszustand bei der in Frage stehenden Reaktion, ergänzt der Forscher. Ist dieser genau bekannt, ließen sich prinzipiell durch genetische Algorithmen neue und bessere Organokatalysatoren identifizieren.

Originalpublikation: Julius Seumer, Jonathan Kirschner Solberg Hansen, Mogens Brøndsted Nielsen, Jan H. Jensen: Computational Evolution Of New Catalysts For The Morita–Baylis–Hillman Reaction, Angewandte Chemie, First published: 14 February 2023; DOI: 10.1002/ange.202218565

(ID:49301124)