IA Auxilia Químicos na Criação de Plásticos mais Duráveis
Crédito:David W. Kastner
Uma nova abordagem desenvolvida por pesquisadores do MIT e da Universidade Duke pode aumentar a resistência de materiais poliméricos, resultando potencialmente em plásticos mais duráveis e na redução do desperdício de plástico.
Aplicando aprendizado de máquina, a equipe descobriu moléculas reticuladoras que, quando integradas a polímeros, melhoram sua capacidade de resistir à ruptura. Esses reticuladores são mecanóforos — moléculas que se transformam sob estresse mecânico.
Essas moléculas são promissoras para o desenvolvimento de polímeros que se tornam mais resistentes sob estresse. “Eles respondem tornando-se mais resilientes em vez de quebrar“, diz Heather Kulik, autora sênior e professora do MIT.
Os reticuladores específicos identificados são compostos à base de ferro conhecidos como ferrocenos, que não haviam sido amplamente estudados como mecanóforos antes. Testar um mecanóforo pode levar semanas, mas a equipe acelerou o processo usando aprendizado de máquina.
O estudo, publicado na ACS Central Science, lista a pesquisadora de pós-doutorado do MIT Ilia Kevlishvili como autora principal. Os coautores incluem Jafer Vakil, David Kastner, Xiao Huang e Stephen Craig.
O Ponto Mais Vulnerável
Mecanóforos são moléculas que reagem de forma única à força mecânica — frequentemente alterando sua cor, estrutura ou outras características. Em um estudo recente, pesquisadores do MIT e da Duke exploraram se essas moléculas poderiam aumentar a durabilidade de materiais poliméricos.
Esta pesquisa expande um estudo de 2023 liderado por Craig e Jeremiah Johnson, Professor de Química A. Thomas Guertin, do MIT. Esse trabalho anterior revelou um resultado surpreendente: adicionar reticuladores fracos a uma rede polimérica pode, na verdade, fortalecer o material como um todo. À medida que o material se aproxima da ruptura, as rachaduras seguem ligações mais fracas, forçando mais rupturas e aumentando a resistência ao rasgo.
Para desenvolver essa descoberta, Craig se uniu a Kulik para identificar mecanóforos que poderiam servir como reticuladores fracos.
“Tivemos uma visão fundamental”, diz Craig, “mas enfrentamos um grande desafio: como encontrar as moléculas mais promissoras entre inúmeras opções?”. Créditos a Heather e Ilia por reconhecerem esse obstáculo e desenvolverem uma estratégia para superá-lo.”
Identificar mecanóforos é difícil, exigindo experimentos demorados ou simulações que demandam muitos recursos. A maioria dos mecanóforos estudados são orgânicos, como o ciclobutano usado em um estudo de 2023.
Ajustando Compostos Organometálicos para Aplicações de Mecanóforos
Em seu trabalho mais recente, os cientistas se concentraram em ferrocenos, promissores mecanóforos organometálicos. Os ferrocenos apresentam um átomo de ferro entre dois anéis de carbono e podem ser modificados para alterar suas propriedades.
Embora muitos ferrocenos já sejam utilizados em produtos farmacêuticos e catálise, apenas alguns foram investigados como mecanóforos. Testar cada candidato experimentalmente pode levar semanas, e mesmo os métodos computacionais mais rápidos ainda exigem dias por molécula, tornando a avaliação em larga escala extremamente difícil.
Para superar esse gargalo, a equipe do MIT e da Duke recorreu ao aprendizado de máquina. Eles treinaram uma rede neural para prever quais ferrocenos poderiam funcionar efetivamente como mecanóforos.
O ponto de partida foi o Banco de Dados Estrutural de Cambridge, que abriga dados estruturais de 5.000 ferrocenos já sintetizados.
“Sabíamos que não precisávamos nos preocupar se esses compostos poderiam ser sintetizados — pelo menos não a parte do mecanóforo —, o que nos deu a liberdade de explorar um conjunto amplo e quimicamente diverso de moléculas, todas sinteticamente acessíveis”, explica Kevlishvili.
Identificando Pontos Fracos para Fortalecer Polímeros
Para começar, a equipe realizou simulações computacionais em aproximadamente 400 compostos para determinar a quantidade de força necessária para romper ligações atômicas dentro de cada molécula. Para este estudo, eles buscaram especificamente compostos que se rompessem com mais facilidade, já que esses pontos fracos poderiam aumentar a resistência do polímero à ruptura.
Utilizando os resultados da simulação e os dados estruturais de cada composto, os pesquisadores treinaram um modelo de aprendizado de máquina. Esse modelo pôde então estimar a força de ativação — quanta força é necessária para acionar o mecanóforo — para os 4.500 ferrocenos restantes no banco de dados, bem como para outros 7.000 compostos estruturalmente semelhantes com pequenas variações atômicas.
Por meio desse processo, eles identificaram duas características moleculares importantes que pareciam aumentar a resistência ao rompimento: interações entre os grupos químicos ligados aos anéis de ferroceno e a presença de grupos laterais grandes e volumosos em ambos os anéis, o que tornava as moléculas mais propensas à quebra sob estresse.
De acordo com os pesquisadores, a primeira característica se alinhava ao conhecimento químico existente, mas a segunda era inesperada e provavelmente não teria sido prevista apenas por um químico — ela só se tornou aparente com o uso de IA. “Esta foi uma descoberta genuinamente surpreendente“, diz Kulik.
Plásticos Reforçados
Após selecionar cerca de 100 candidatos promissores, o laboratório de Craig na Universidade Duke criou um polímero usando um deles — m-TMS-Fc — como reticulador. Nessa configuração, o m-TMS-Fc conecta os filamentos de poliacrilato, um plástico comum.
Quando a força foi aplicada a esses polímeros até que se rompessem, a equipe descobriu que o ligante m-TMS-Fc, aparentemente fraco, na verdade produzia um material altamente resistente a rupturas. O polímero resultante era aproximadamente quatro vezes mais resistente do que aqueles que usavam reticuladores de ferroceno tradicionais.
“Esta descoberta é significativa”, afirma Kevlishvili. “Plásticos mais resistentes podem durar mais tempo em uso, potencialmente reduzindo a necessidade de substituições frequentes e ajudando a reduzir o desperdício de plástico ao longo do tempo.”
A equipe agora pretende aplicar seu método de aprendizado de máquina para identificar mecanóforos com características úteis adicionais, como mudança de cor ou atividade catalítica desencadeada por estresse mecânico. Estes poderiam servir como indicadores de estresse, catalisadores ajustáveis ou até mesmo auxiliar funções biomédicas, como liberação controlada de fármacos.
Pesquisas futuras se concentrarão em ferrocenos e outros mecanóforos baseados em metais que foram sintetizados, mas permanecem mal caracterizados.
“Os pesquisadores ainda não estudaram extensivamente os mecanóforos baseados em metais de transição, e provavelmente enfrentam mais dificuldades para sintetizá-los.” explica Kulik. “No entanto, esta abordagem computacional oferece uma maneira poderosa de expandir a gama de mecanóforos que os pesquisadores podem investigar.”
O estudo recebeu apoio do Centro de Química de Redes Molecularmente Otimizadas (MONET) da Fundação Nacional de Ciências.
