Oavsett om organiska kemister arbetar med att utveckla ny molekylär energi eller skapa nya blockbuster -läkemedel inom läkemedelsindustrin, var och en söker efter hur man optimerar den molekylära kemiska strukturen för att uppnå önskade målegenskaper.

En del av den optimeringen inkluderar ett molekylär kristalls förpackningsmotiv, ett uppfattat mönster i hur molekyler orienterar sig i förhållande till varandra inom en kristallstruktur. De nuvarande datamängderna för förpackningsmotiv har förblivit små på grund av intensiva manuella märkningsprocesser och otillräckliga märkningssystem.

För att lösa detta problem, ett team av Lawrence Livermore National Laboratory (LLNL) material och datavetare har utvecklat ett fritt tillgängligt paket, Autopack, som formaliserar förpackningsmotivets märkningsprocess och automatiskt kan bearbeta och märka förpackningsmotiven för tusentals molekylära kristallstrukturer. Forskningen visas i Journal of Chemical Information and Modeling .

Småskaliga kristalltekniska studier under de senaste 30 åren tyder på att, medan förutse experimentella kristallstrukturer från en kemisk struktur ensam förblir utom räckhåll, det kan finnas samband mellan molekylernas kemiska strukturer och ett specifikt attribut för kristallstrukturen de antar kallas förpackningsmotiv.

Ett molekylär kristalls förpackningsmotiv är ett viktigt koncept för energikällor och organiska elektronikapplikationer på grund av observerade korrelationer mellan molekylkristallers förpackningsmotiv och prestandaegenskaper av intresse, som inkluderar okänslighet för molekylära sprängämnen och laddningstransport för molekylära halvledare.

Ingen formaliserad och öppen källkodsmetod för att tilldela förpackningsmotiv har någonsin skapats förrän nu. Istället, förpackningsmotiv tillskrivs molekylära kristaller helt enkelt genom mänsklig utvärdering av en kristallstruktur och bedömning, vilket resulterar i små och bullriga datamängder.

"I en tid med maskininlärning, förmågan att skapa stora, märkta datamängder av molekylkristallförpackningsmotiv är nu särskilt viktiga, "sa LLNL -datavetenskaparen Donald Loveland, huvudförfattare till tidningen. "Sådana ansträngningar kan generera modeller som kan förutsäga förpackningsmotiv från molekylernas kemiska struktur ensam, vilket skulle hjälpa organiska kemister att prioritera synteser av nya molekyler baserat på önskat förpackningsmotiv och egenskaper. "

Det nya LLNL -arbetet använder en effektiv optimeringsalgoritm som kringgår många problem som finns i tidigare föreslagna förpackningsmotivmärkningsmetoder, vilket leder till nya toppmoderna resultat när de testas på en LLNL-kuraterad dataset.

Genom Autopack, forskare har kunnat generera en datamängd på nästan 10, 000 förpackningsmotiv för en uppsättning energiska och energiliknande molekyler av intresse för labbet, en uppgift som hade varit omöjlig tidigare. För sammanhang, tidigare litteratur har förblivit begränsad i storleksordningen 100 molekyler på grund av den tråkiga och tidskrävande karaktären av handmärkning. Tidig analys av denna nya datamängd tipsar om komplexa trender mellan intermolekylära interaktioner, 3D-molekylära konformationer och antagna förpackningsmotiv som för närvarande är outforskade i fältet, ge vägledning om nästa steg för kristallkonstruktioner.

Koden är fritt tillgänglig via Labs Innovations and Partnerships Office.