Hochdurchsatz-Optimierung von maschinellem Lernen für das Design von Spiropyranen

• Antragsteller: Professor Dr. Stefan Hecht; Professor Dr. Karsten Reuter
• Fachliche Zuordnung: Organische Molekülchemie - Synthese, Charakterisierung ; Theoretische Chemie: Elektronenstruktur, Dynamik, Simulation
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497206593

In diesem Projekt wird ein durch maschinelles Lernen (ML) unterstützter Ansatz verfolgt, um das gezielte Design von Spiropyran-Photoschaltern systematisch voranzutreiben, mit dem Ziel, ihre funktionellen Eigenschaften für verschiedene Anwendungen zu optimieren. Aufbauend auf den vielversprechenden Ergebnissen der ersten Förderperiode soll eine vollautomatische Hochdurchsatz-Synthese- und Analyseplattform entwickelt werden, die die schnelle Erzeugung und Bewertung einer umfassenden Bibliothek von Spiropyran-Derivaten ermöglicht. Das Herzstück dieser Plattform ist unsere neu entwickelte dynamische Spiropyran-Austauschreaktion, die es uns ermöglicht, eine erheblich größere gemischte Bibliothek von Photoschaltern herzustellen und so die effiziente Synthese und Charakterisierung von strukturell vielfältigen Photoschaltern zu ermöglichen, ohne einzelne Derivate isolieren zu müssen. Diese Hochdurchsatzmethode wird einen reichhaltigen Datensatz molekularer Strukturen und ihrer entsprechenden Schalteigenschaften liefern und die Entwicklung fortschrittlicher ML-Modelle für präzise Vorhersagen und gezielte Optimierungen beim Design von Fotoschaltern erleichtern. Wir werden bekannte und neue Substitutionsmuster am Spiropyrangerüst erforschen und in bisher unzugängliche Regionen des chemischen Raums vordringen, um Fotoschalter mit verbesserten und potenziell einzigartigen Eigenschaften zu realisieren. Um die theoretischen Einblicke in das Verhalten von Spiropyranen und Merocyaninen zu vertiefen, werden wir maschinell lernende Kraftfelder (MLFFs) einsetzen, um neue rechnerische Deskriptoren zu entwickeln, die eine kostengünstigere Alternative zu ab initio-Methoden darstellen. Dies wird eine detaillierte Kartierung potenzieller Energieoberflächen und eine präzise Abschätzung der thermischen Halbwertszeiten der metastabilen Merocyanin-Isomere ermöglichen und eine verfeinerte theoretische Grundlage für die Entwicklung optimierter Fotoschalter bieten. Darüber hinaus wollen wir ML-Modelle erweitern, um Umgebungsfaktoren wie Viskosität und pH-Wert einzubeziehen, die für die Entwicklung molekularer Fotoschalter für komplexe Umgebungen wie biologische Matrices und Polymerharze im 3D-Druck unerlässlich sind. Die Kombination von experimentellen Hochdurchsatzmethoden mit modernster ML-basierter theoretischer Modellierung soll zu einem integrierten Verständnis der Struktur-Eigenschafts-Beziehungen führen, die das molekulare Design und die synthetische Herstellung von Fotoschaltern der nächsten Generation für reale Anwendungen in verschiedenen technischen und wissenschaftlichen Bereichen ermöglichen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2363: Nutzung und Entwicklung des maschinellen Lernens für molekulare Anwendungen - Molekulares maschinelles Lernen