Традиционно химические реакции описывались простыми уравнениями, в которых субстраты, например A и B, целенаправленно и жёстко преобразуются в желаемый продукт, например C. Конечно, признавалось, что могут образовываться побочные продукты, но они обычно считались нежелательными и непродуктивными.
Новое исследование демонстрирует, что этот взгляд очень фрагментарен и недостаточен
В реальности химические реакции — даже те, которые изучаются с XIX века — представляют собой сложные сети реакций, которые в зависимости от концентраций субстратов и температур могут быть направлены на различные результаты и даже переключаться между различными основными продуктами. Это напоминает то, как биология управляет своими обширными сетями ферментативно контролируемых реакций, динамически переключая их между различными выходами при различных состояниях клеток.
Формулировка химических реакций как динамических сетей закладывает основу для изучения «интеллектуальных химических супов»
В «интеллектуальных химических супах» одни и те же компоненты — но в разных условиях — могут давать совершенно разные продукты, тем самым сохраняя использование химического сырья и максимизируя разнообразие выходов.
Под руководством профессора Бартоша А. Гжибовского исследователи из Центра роботизированного и алгоритмического синтеза (CARS) в Институте фундаментальных наук (IBS) в Ульсане, Южная Корея, поставили перед своими роботами задачу и расширили традиционное представление о химических реакциях.
Исторически такие реакции представлялись в виде однострочных формул, описывающих преобразование субстратов в желаемый и жёстко определённый основной продукт, с учётом побочных продуктов. Однако в работе CARS, опубликованной в Nature 24 сентября, говорится, что реакции следует рассматривать как сложные сети, программируемые для получения различных продуктов в разных условиях.
Научная любознательность стала отправной точкой для работы CARS
Насколько хорошо традиционное представление будет работать при изменении условий реакции в широком диапазоне? Будет ли один и тот же продукт всегда доминировать? Или, возможно, при некоторых условиях один из побочных продуктов может взять верх и стать основным?
Удивительно, но хотя многие химические реакции изучаются десятилетиями, общих ответов на такие вопросы не было. Во многом это связано с тем, что химики-люди исследовали лишь очень малую часть огромного пространства возможных условий.
Действительно, даже для простейшей реакции, скажем A + B → C, исследование десяти концентраций A, десяти концентраций B и, возможно, десяти температур уже превращается в пространство из 10 х 10 х 10 = 1000 экспериментов и анализов результатов реакций, которые, как хорошо известно химикам, являются трудоёмкими и дорогостоящими. Неудивительно, что исследователи-люди никогда не были увлечены такой работой.
Но если люди не хотят этим заниматься, может быть, роботы могли бы попробовать? Соответственно, команда CARS поставила перед собой задачу создать недорогую роботизированную систему, которая не только смогла бы проводить тысячи реакций (что относительно легко), но и могла бы анализировать в количественном отношении составы реакционных смесей (а это сложно).
Для этого они разработали остроумный метод, основанный на очень быстром оптическом обнаружении и минимизирующий использование традиционных — и гораздо более медленных и дорогих — аналитических методов, таких как ЯМР или ВЭЖХ. Говоря проще, им удалось оценить концентрации различных продуктов и побочных продуктов в реакционном сосуде, просто сделав его фотографию (технически — оптический спектр). Таким образом, они смогли проводить и анализировать до 1000 реакций в день — производительность, не имеющая аналогов ни в одной другой системе.
С помощью этой роботизированной платформы они начали систематически исследовать многомерные «гиперпространства» условий — от трёх до пяти измерений, определяемых концентрациями субстратов и/или температурами. То, что они начали обнаруживать, было весьма поразительным: в «гиперпространствах» различных реакций последовательно размещались регионы с неожиданными результатами (то есть продуктами, которые никогда не видели раньше).
В нескольких случаях — даже в «классических» реакциях, изучаемых более века и, по-видимому, с исчерпывающей детализацией — количество новых продуктов, таким образом обнаруженных, более чем удвоило существующие знания, причём было обнаружено до 15 видов.
Очевидно, что такие богатые ландшафты реактивности больше нельзя описывать формулами A + B → C — вместо этого их следует рассматривать как сложные сети!
На этом этапе исследователи знали, какие «входные» условия приводили к различным реакционным «выходам», но они ещё не знали связность лежащих в основе реакционных сетей. Для этого они черпали вдохновение из электроники, в которой связность неизвестной схемы «чёрного ящика» часто можно вывести из характеристик «вход-выход». Адаптировав свои кинетические и химические алгоритмы искусственного интеллекта к этой проблеме, команда CARS смогла реконструировать сложные реакционные сети в количественных деталях.
Более того, обладая этими знаниями, они смогли управлять этими сетями таким образом, чтобы один и тот же набор исходных материалов мог — при различных условиях — быть направлен на образование различных основных продуктов. Другими словами, им удалось добиться переключаемости сети, которая является краеугольным камнем биологических сетей (адаптируя их функционирование и выходы к внешним условиям), но никогда не была специально разработана в химии.
Это открытие имеет глубокие последствия, особенно в то время, когда ресурсы ограничены и их необходимо сохранять. По сути, выводы CARS говорят нам, что мы можем минимизировать использование химического сырья и перепрограммировать его для получения различных продуктов в различных условиях, включая те, которые имеют важные функциональные каркасы, встречающиеся в лекарствах, пигментах и даже в органических электронных материалах.
Такой адаптивный способ производства химических веществ был одним из отличительных признаков живых организмов — теперь, благодаря сочетанию робототехники и химического искусственного интеллекта, он реализуется в химии.
В более широком контексте эта работа является первым шагом в «Тёмную сеть» химической реактивности — то есть новые модели реактивности, скрытые в многомерных «гиперпространствах» условий. Несмотря на десятилетия исследований, эта «Тёмная сеть» оставалась неуловимой, но теперь она открыта для плодотворного роботизированного исследования.
Это исследование знаменует собой изменение в том, как мы изучаем и контролируем химические реакции. Объединив робототехнику с простыми, быстрыми формами обнаружения, команда смогла исследовать тысячи условий реакции одновременно и создать подробные карты того, как результаты меняются в химических гиперпространствах. Эти карты выявили не только предсказуемые закономерности, но и удивительные открытия — включая скрытые продукты реакции и возможность «переключения» между совершенно разными результатами путём регулировки начальных соотношений ингредиентов.