Wissenschaft + Forschung

Die Zeng-Welander- und Boal-Booker-Gruppen haben die Gene und Enzyme identifiziert, die zur Biosynthese der von Diphytanylglycerol (1) abgeleiteten makrocyclischen Membranlipide (2) und (3) in Archaea-Extremophilen führen. Die Enzyme gehören zur S-Adenosylmethionin(SAM)-Radikalenzym-Superfamilie. Sie können mit dem aus SAM entstehenden Adenosylradikal ein Wasserstoffatom selektiv am Schwanz der terpenoiden Phytanylkette abspalten. Das entstehende hochreaktive primäre Alkylradikal kuppelt mit dem redoxaktiven Fe4S4-Cluster im Enzym. Nach Regeneration des SAM-Kofaktors gibt es einen Wasserstoffatomtransfer aus einer weiteren Phytaneinheit, und das Alkylradikal substituiert homolytisch die Alkylgruppe, die temporär am Fe4S4-Cluster gebunden ist. Die Stabilität von (3) ist Voraussetzung für ein Leben unter extremen Bedingungen, und das Lipid eignet sich als Biomarker für geologische und Paläobedingungen. UJ<img alt="image" src="https://media.graphassets.com/dOnpbPxISOGQlVRSZTh7"><ul class="references" xml:id="nadc20224132391-bibl-0017" cited="no" style="numbered"><li xml:id="nadc20224132391-bib-0017">Nature 2022, 609, 197; Nat. Commun. 2022, 13, 1545</li></ul>

Meldung

Zellmembranen in Archaea

Die Zeng-Welander- und Boal-Booker-Gruppen haben die Gene und Enzyme identifiziert, die zur Biosynthese der von Diphytanylglycerol (1) abgeleiteten makrocyclischen Membranlipide (2) und (3) in Archaea-Extremophilen führen. Die Enzyme gehören zur S-Adenosylmethionin(SAM)-Radikalenzym-Superfamilie....

Maschinelles Lernen eignet sich, um Photochemie und somit elektronisch angeregte Zust&auml;nde zu beschreiben; klassische Molekulardynamiktechniken erlauben, bestimmte Aspekte der nuklearen Quanteneffekte in Probleme der physikalischen Chemie einzubeziehen, und was Finite-Feld-Methoden mit alten Sternen zu tun haben.
<h2 type="main">Maschinelles Lernen f&uuml;r elektronisch angeregte Zust&auml;nde</h2>
Maschinelles Lernen (ML) revolutioniert viele Bereiche unseres Lebens. Auch in der theoretischen Chemie brachte es schon Fortschritte, beispielsweise bei der Entwicklung neuer Medikamente1) oder Photokatalysatoren.2)
Die Frage &bdquo;Welcher Trend &hellip; ist aufgekommen, den Sie so nicht erwartet haben?&ldquo; oder &bdquo;In welchem Gebiet erwarten Sie &hellip; die gr&ouml;&szlig;ten Entwicklungen?&ldquo; beantworteten Autor:innen vergangener Trendberichte oft mit ML oder k&uuml;nstlicher Intelligenz.
Auch in der Simulation von Photochemie wird ML immer wichtiger, da sich aufwendige quantenchemische Berechnungen durch schnellere ML-Vorhersagen ersetzen lassen.
Um Photochemie und somit elektronisch angeregte Zust&auml;nde zu beschreiben, gibt es viele Ansatzpunkte f&uuml;r ML (Abbildung 1).3) So lassen sich damit Wellenfunktionen beschreiben, aus denen sich alle anderen Eigenschaften mit einem nachfolgenden Rechenschritt bestimmen lassen. Alternativ lassen sich beispielsweise ML-Kraftfelder generieren, wobei die Wellenfunktionsinformationen vernachl&auml;ssigt werden k&ouml;nnen, um h&ouml;here Rechengeschwindigkeiten zu erzielen. Diese ML-Kraftfelder eignen sich, um in Dynamikrechnungen zeitabh&auml;ngige Eigenschaften zu beschreiben.
<figure xml:id="nadc20224126281-fig-0001">
<figure><img alt="image" src="https://media.graphassets.com/paaZUnPQuadnBlrtJ0Wg" />
<figcaption><label>Abb.1: </label>Ziele von maschinellem Lernen (ML) f&uuml;r elektronisch angeregte Zust&auml;nde. Adaptiert von 3)</figcaption>
</figure>
</figure>
Noch schnellere Vorhersagen sind m&ouml;glich, wenn man direkt Observablen berechnet, beispielsweise Spektren. Dabei ist dann weder die Information der Wellenfunktion noch diejenige aus den Zeitschritten einer Dynamikrechnung verf&uuml;gbar. F&uuml;r all diese Anwendungsbereiche l&auml;sst sich ML zus&auml;tzlich zur Datenanalyse heranziehen. Auch beim Erzeugen der zugrundeliegenden Daten mit quantenchemischen Rechnungen hilft ML, optimale Ans&auml;tze zu finden.
<h2 type="main">Photodynamiksimulationen auf der Nanosekunden-Zeitskala</h2>
Besonders n&uuml;tzlich sind ML-Methoden, wenn sich viele aufeinanderfolgende quantenchemische Rechnungen durch die schnelleren ML-Rechnungen ersetzen lassen. Dies ist bei Dynamikrechnungen der Fall, bei denen die potenzielle Energie und die Kr&auml;fte auf die Atomkerne an vielen verschiedenen Molek&uuml;lgeometrien ben&ouml;tigt werden. Diese Aussage gilt sowohl, wenn nur der elektronische Grundzustand betrachtet wird, als auch wenn elektronisch angeregte Zust&auml;nde in der Dynamik wichtig sind. Im zweiten Fall werden mehrere Potenzialhyperfl&auml;chen, die zugeh&ouml;rigen Kr&auml;fte und weitere Eigenschaften ben&ouml;tigt. Zu diesen geh&ouml;ren beispielsweise nicht-adiabatische Kopplungen (verantwortlich f&uuml;r den Prozess der internen Konversion), Spin-Bahn-Kopplungen (verantwortlich f&uuml;r Interkombination) oder &Uuml;bergangsdipolmomente. Sie gestalten die Molekulardynamikrechnungen in angeregten Zust&auml;nden deutlich komplexer als im Grundzustand.
Die Vorgehensweise, um ML f&uuml;r Dynamikrechnungen zu verwenden und l&auml;ngere Zeitskalen zu erm&ouml;glichen, ist dann wie folgt (Abbildung 2):3&ndash;5) Zuerst werden Trainingsdaten mit Quantenchemie (QC) erzeugt. Hier ist Expertenwissen n&ouml;tig, um einen geeigneten Ansatz zu w&auml;hlen: etwa MRCI, multi reference configuration interaction, oder TDDFT, time-dependent density functional theory, und weitere.6) Mit den QC-Daten werden ML-Modelle trainiert. Das hei&szlig;t, diese Modelle lernen, wie potenzielle Energien und andere Eigenschaften von der Molek&uuml;lgeometrie abh&auml;ngen. Hierbei sind neuronale Netze und Kernel-basierte Methoden am weitesten verbreitet.3) Die so erhaltenen ML-Potenziale und -Kopplungen gehen dann in Dynamikans&auml;tze ein, beispielsweise Wellenpaketmethoden7) oder Surface-Hopping-Methoden.8) Auch Pfadintegralmethoden,9) wie sie M. Rossi f&uuml;r den elektronischen Grundzustand im Trendbericht zur Quantennatur der Kerne beschreibt [diese Nachrichten, ab S. 58], eignen sich f&uuml;r die Dynamik angeregter Zust&auml;nde.10)
<figure xml:id="nadc20224126281-fig-0002">
<figure><img alt="image" src="https://media.graphassets.com/cCoj9ynpS7e9kippXwYA" />
<figcaption><label>Abb.2: </label>Vorgehensweise, um mit quantenchemischen Daten ML-Potenziale zu erzeugen und darauf dann nicht-adiabatische Dynamiksimulationen laufen zu lassen.</figcaption>
</figure>
</figure>
Die Zeitschritte in diesen Dynamikrechnungen liegen in der Gr&ouml;&szlig;enordnung von 1 fs (10&ndash;15 s). Mit QC-basierter Dynamik lassen sich so Zeitskalen in der Gr&ouml;&szlig;enordnung von Pikosekunden simulieren, w&auml;hrend ML-basierte Dynamik die Simulation von Prozessen im Nanosekundenbereich abdeckt.11) Es ist also eine Beschleunigung um einen Faktor von zirka 1000 m&ouml;glich.12) Durch Methoden zum Sampling seltener Ereignisse lassen sich solche Zeitskalen &uuml;brigens nochmals erweitern.13)
<h2 type="main">Entdeckung neuer Photoreaktionsmechanismen</h2>
Die M&ouml;glichkeiten, die sich durch ML er&ouml;ffnen, gehen &uuml;ber die pure Beschleunigung von Dynamikrechnungen hinaus. So lassen sich unter bestimmten Umst&auml;nden molekulare Systeme simulieren, die mit konventionellen QC-Methoden au&szlig;er Reichweite sind.
Ein Beispiel ist die essenzielle Aminos&auml;ure Tyrosin.14) F&uuml;r diese sind die meisten QC-Methoden nur in bestimmten Bereichen der Potenzialfl&auml;chen geeignet, w&auml;hrend sie in anderen Bereichen falsche Ergebnisse liefern. Diese Bereiche k&ouml;nnen bei unterschiedlichen QC-Ans&auml;tzen komplement&auml;r sein. Nun lassen sich Trainingsdaten durch die verschiedenen QC-Methoden selektiv aus den Bereichen der Potenzialfl&auml;chen generieren, in denen die jeweiligen QC-Methoden zuverl&auml;ssige Ergebnisse liefern.
ML-Modelle, die solche Trainingsdaten verwenden, k&ouml;nnen das Gesamtsystem an allen relevanten Molek&uuml;lstrukturen sinnvoll beschreiben. So lassen sich bisher unzug&auml;ngliche Systeme simulieren und neue Reaktionsmechanismen entdecken. Bei Tyrosin wurde auf diese Weise das Ph&auml;nomen des &bdquo;Roaming&ldquo; in den Simulationen beobachtet. Dabei l&ouml;st sich ein Atom aus einem Molek&uuml;lverband, wandert um das Molek&uuml;l herum und lagert sich an einer anderen Stelle wieder an &ndash; &auml;hnlich einer Fliege, die um ein Pferd herumschwirrt (Abbildung 3). Dieser neuartige Reaktionsmechanismus wurde erstmals im Jahr 2004 f&uuml;r Formaldehyd vorhergesagt und auch experimentell gemessen.15) ML-Simulationen zeigten erstmals, dass Roaming auch in Biomolek&uuml;len auftritt.
<figure xml:id="nadc20224126281-fig-0003">
<figure><img alt="image" src="https://media.graphassets.com/Y0VaEehrSB7ofv3N50TF" />
<figcaption><label>Abb.3: </label>Roaming in Tyrosin: Ein Wasserstoffatom wandert um das restliche Molek&uuml;l herum, wie sich mit ML-basierten Dynamiksimulationen zeigte.14)</figcaption>
</figure>
</figure>
Dar&uuml;ber hinaus hilft ML auch bei der Datenanalyse, beispielsweise bei der Frage, welche Fragmente bei einer Dissoziationsreaktion von Tyrosin im Anschluss an den Roamingprozess entstehen oder welche Ladung das beim Roaming umherwandernde H-Atom hat.14)
<h2 type="main">Fazit</h2>
ML kann viele Simulationen, speziell in der Photochemie, beschleunigen. Richtig angewendet erm&ouml;glicht es dar&uuml;ber hinaus tiefere Einblicke in physikalische Prozesse, etwa indem es Analyseverfahren vereinfacht.
Trotz dieser Fortschritte ist ML nicht als Allheilmittel f&uuml;r die vielf&auml;ltigen Probleme in der Chemie zu verstehen. Andere Methoden und Ans&auml;tze werden auch weiterhin gefragt sein. Sie k&ouml;nnen jedoch durch ML unterst&uuml;tzt und verbessert werden. So wird ML immer mehr zum festen Bestandteil der Werkzeuge insbesondere in der theoretischen Chemie und auch dar&uuml;ber hinaus.
<h2 type="main">Drei Fragen an den Autor: Philipp Marquetand</h2>
Welche Methode hat sich in den letzten zw&ouml;lf Monaten aus Ihrer Sicht am meisten weiterentwickelt?
Maschinelles Lernen (ML) hat an Fahrt aufgenommen &ndash; beispielsweise f&uuml;r ML-Potenziale, ML-Retrosynthese oder ML-Materialdesign.
Was sind derzeit Ihre Hauptforschungsprojekte?
Neben ML-Potenzialen f&uuml;r elektronisch angeregte Zust&auml;nde und Photodynamiksimulationen: ML-Ans&auml;tze f&uuml;r Wellenfunktionen in Quanten-Monte-Carlo-Methoden, Sampling seltener Ereignisse in angeregten Zust&auml;nden und wie Molek&uuml;le mit starken Laserfeldern wechselwirken.
In welchem Gebiet erwarten Sie in den n&auml;chsten zw&ouml;lf Monaten die gr&ouml;&szlig;ten Entwicklungen und warum?
Beim ML, da dort die M&ouml;glichkeiten noch nicht voll ausgesch&ouml;pft sind und der Strom an Forscher:innen, die neu in dieses Gebiet einsteigen und ML f&uuml;r ihre Forschung nutzen, noch lange nicht abrei&szlig;en wird.
Philipp Marquetand, Jahrgang 1978, arbeitet am Institut f&uuml;r Theoretische Chemie, Fakult&auml;t f&uuml;r Chemie, Universit&auml;t Wien. Zudem beteiligt er sich an der Vienna Research Platform on Accelerating Photoreaction Discovery, Universit&auml;t Wien, und dem Research Network Data Science @UniVienna. Seine Forschungsgebiete sind maschinelles Lernen f&uuml;r theoretische Chemie, Ab-initio-Molekulardynamik und Simulation von Licht-Materie-Wechselwirkungen.<img alt="image" src="https://media.graphassets.com/Vq794g12SWmkLeqvYWdK" />
<ul class="references" xml:id="nadc20224126281-bibl-0001" cited="no">
<li xml:id="nadc20224126281-bib-0001">1 X. Yang, Y. Wang, R. Byrne, G. Schneider, S. Yang, Chem. Rev. 2019, 119, 10520</li>
<li xml:id="nadc20224126281-bib-0002">2 H. Mai, T. C. Le, D. Chen, D. A. Winkler, R. A. Caruso, Chem. Rev. 2022, doi: <accessionid ref="info:doi/10.1021/acs.chemrev.2c00061">10.1021/acs.chemrev.2c00061</accessionid></li>
<li xml:id="nadc20224126281-bib-0003">3 J. Westermayr, P. Marquetand, Chem. Rev. 2021, 121, 9873</li>
<li xml:id="nadc20224126281-bib-0004">4 P. O. Dral, M. Barbatti, Nat. Rev. Chem. 2021, 5, 388</li>
<li xml:id="nadc20224126281-bib-0005">5 J. Li, S. A. Lopez, Acc. Chem. Res. 2022, 55, 1972</li>
<li xml:id="nadc20224126281-bib-0006">6 L. Gonz&aacute;lez, R. Lindh, Quantum Chemistry and Dynamics of Excited States, Wiley-VCH 2020</li>
<li xml:id="nadc20224126281-bib-0007">7 Y. Guan, C. Xie, D. R. Yarkony, H. Guo, Phys. Chem. Chem. Phys. 2021, 23, 24962</li>
<li xml:id="nadc20224126281-bib-0008">8 J. Westermayr, P. Marquetand, Mach. Learn. Sci. Technol. 2020, 1, 043001</li>
<li xml:id="nadc20224126281-bib-0009">9 V. . Kapil, M. Rossi, O. Marsalek et al., Comput. Phys. Commun. 2019, 236, 214</li>
<li xml:id="nadc20224126281-bib-0010">10 N. Ananth, Annu. Rev. Phys. Chem. 2022, 73, 299</li>
<li xml:id="nadc20224126281-bib-0011">11 J. Westermayr, M. Gastegger, M.F. S. J. Menger et al., Chem. Sci. 2019, 10, 8100</li>
<li xml:id="nadc20224126281-bib-0012">12 J. Westermayr, M. Gastegger, P. Marquetand, J. Phys. Chem. Lett. 2020, 11, 3828</li>
<li xml:id="nadc20224126281-bib-0013">13 M. M. Reiner, B. Bachmair, M. X. Tiefenbacher et al., ArXiv:2208.00686, 2022</li>
<li xml:id="nadc20224126281-bib-0014">14 J. Westermayr, M. Gastegger, D. V&ouml;r&ouml;s et al., Nat. Chem. 2022, 14, 914</li>
<li xml:id="nadc20224126281-bib-0015">15 D. Townsend, S. A. Lahankar, S. K. Lee et al., Science 2004, 306, 1158</li>
</ul>

Meldung

Zellmembranen in Archaea

Überprüfung Ihres Anmeldestatus ...