شیمیدانان با کمک هوش مصنوعی پلاستیک‌های مقاوم‌تر تولید می‌کنند

پژوهشگران با استفاده از مولکول‌های واکنش‌پذیر نسبت به فشار، که توسط یک مدل یادگیری ماشینی شناسایی شده‌اند، پلیمرهایی ساخته‌اند که مقاومت بیشتری در برابر پارگی دارند.

به گزارش خبرنگار علم و فناوری ایسکانیوز؛ پژوهشگران دانشگاه‌هایMIT و دوک راهبرد نوینی را برای تقویت مواد پلیمری به کار برده‌اند که می‌تواند به تولید پلاستیک‌های بادوام‌تر و کاهش پسماندهای پلاستیکی منجر شود. آنها با استفاده از یادگیری ماشینی، مولکول‌های پیوند دهنده‌ای (Crosslinker) را شناسایی کردند که می‌توان به مواد پلیمری افزود تا پیش از پاره شدن، نیروی بیشتری را تحمل کنند. این پیوند دهنده‌ها به دسته‌ای از مولکول‌ها به نام مکانوفورها (Mechanophores) تعلق دارند که در پاسخ به نیروی مکانیکی، شکل یا سایر ویژگی‌های خود را تغییر می‌دهند.

«هدر کولیک»، استاد مهندسی شیمی MIT و استاد شیمی و نویسنده ارشد این مطالعه، می‌گوید: این مولکول‌ها می‌توانند در ساخت پلیمرهایی مفید باشند که در پاسخ به نیرو، قوی‌تر عمل می‌کنند. شما کمی فشار به آنها وارد می‌کنید، و آنها به ‌جای ترک برداشتن یا شکستن، رفتاری از خود نشان می‌دهند که انعطاف‌پذیری بیشتری دارد.

پیوند دهنده‌هایی که در این پژوهش شناسایی شدند، ترکیبات حاوی آهن به نام فروسن‌ها هستند که تاکنون برای پتانسیل آنها به عنوان مکانوفور، به طور گسترده مورد بررسی قرار نگرفته بودند. ارزیابی آزمایشی یک مکانوفور منفرد می‌تواند هفته‌ها طول بکشد، اما پژوهشگران نشان دادند که با استفاده از یک مدل یادگیری ماشینی می‌توان این فرایند را به‌شدت تسریع کرد.

ضعیف‌ترین حلقه

مکانوفورها مولکول‌هایی هستند که به شیوه‌های منحصر به فرد -معمولاً با تغییر رنگ، ساختار یا سایر خواص خود- به نیرو پاسخ می‌دهند. در این مطالعه جدید، تیم MIT و دوک می‌خواست بررسی کند که آیا می‌توان از مکانوفورها برای مقاوم‌تر کردن پلیمرها در برابر آسیب استفاده کرد یا نه.

این پژوهش بر پایه مطالعه‌ای در سال ۲۰۲۳ انجام شد. در آن مطالعه، پژوهشگران دریافتند که افزودن پیونددهنده‌های ضعیف به شبکه پلیمر می‌تواند در کمال تعجب، کل ماده را قوی‌تر کند. دلیل این امر آن است که وقتی چنین موادی تا مرز گسیختگی کشیده می‌شوند، ترک‌ها تمایل دارند از میان پیوندهای ضعیف عبور کنند نه پیوندهای قوی. این امر باعث می‌شود برای پیشرفت ترک، پیوندهای بیشتری شکسته شود.

محققان برای استفاده از این پدیده تصمیم گرفتند مکانوفورهایی را شناسایی کنند که بتوانند به‌عنوان پیونددهنده‌های ضعیف عمل کنند.

کریگ می‌گوید: ما یک بینش مکانیکی جدید داشتیم و یک فرصت، اما با یک چالش بزرگ روبه‌رو بودیم: از میان تمام ترکیبات ممکن، چطور بهترین‌ها را پیدا کنیم؟

شناسایی و توصیف مکانوفورها دشوار است و نیاز به آزمایش‌های زمان‌بر یا شبیه‌سازی‌های محاسباتی سنگین دارد. بیشتر مکانوفورهای شناخته ‌شده ترکیبات آلی مانند سیکلوبوتان هستند که در مطالعه ۲۰۲۳ به عنوان پیونددهنده استفاده شد.

در این مطالعه، پژوهشگران بر فروسن‌ها تمرکز کردند — ترکیباتی آلی-فلزی که یک اتم آهن بین ۲ حلقه کربنی قرار دارد. این حلقه‌ها می‌توانند گروه‌های شیمیایی متفاوتی داشته باشند که خواص شیمیایی و مکانیکی مولکول را تغییر می‌دهند.

بسیاری از فروسن‌ها به عنوان دارو یا کاتالیزور استفاده می‌شوند و تعداد کمی از آن‌ها مکانوفورهای خوبی شناخته شده‌اند، اما بیشترشان برای این کاربرد ارزیابی نشده‌اند. آزمایش یک مکانوفور ممکن است چند هفته طول بکشد و حتی شبیه‌سازی‌های محاسباتی نیز چند روز زمان می‌برد. ارزیابی هزاران نمونه با این روش‌ها بسیار دشوار است.

جست‌وجوی سریع‌تر با هوش مصنوعی

تیم MIT و دوک تصمیم گرفت با استفاده از شبکه عصبی، فروسن‌هایی را که مکانوفورهای امیدبخش هستند شناسایی کند. آنها داده‌های پایگاه ساختاری کمبریج را که شامل ساختار پنج هزار فروسن ساخته ‌شده است، به کار گرفتند.

آنها می‌گویند: ما می‌دانستیم که نگرانی درباره قابلیت سنتز نداریم، بنابراین می‌توانستیم دامنه بزرگی از ترکیبات متنوع را بررسی کنیم که از نظر شیمیایی هم عملی باشند.

ابتدا آنها برای حدود ۴۰۰ ترکیب، شبیه‌سازی محاسباتی انجام دادند تا نیروی لازم برای جدا کردن اتم‌ها در هر مولکول را محاسبه کنند. در این کاربرد، مولکول‌هایی که سریع‌تر از هم جدا می‌شوند به عنوان پیوند دهنده ضعیف مطلوبند، چون می‌توانند مقاومت در برابر پارگی را افزایش دهند.

سپس این داده‌ها به همراه اطلاعات ساختاری هر ترکیب، برای آموزش مدل یادگیری ماشینی استفاده شد. مدل توانست نیروی لازم برای فعال‌سازی مکانوفور (و در نتیجه مقاومت در برابر پارگی) را برای چهار هزار و ۵۰۰ ترکیب باقی‌مانده در پایگاه داده و هفت هزار ترکیب مشابه دیگر پیش‌بینی کند.

۲ ویژگی مهم کشف شد که احتمال افزایش مقاومت در برابر پارگی را بالا می‌برد:

۱. برهم‌کنش‌های بین گروه‌های شیمیایی متصل به حلقه‌های فروسن.

۲. وجود مولکول‌های حجیم در هر ۲ حلقه فروسن که باعث می‌شد مولکول سریع‌تر در برابر نیرو جدا شود.

دانشمندان معتقدند که این کشف بدون هوش مصنوعی ممکن نبود.

پلاستیک‌های مقاوم‌تر

پس از شناسایی حدود ۱۰۰ کاندیدای مناسب، آزمایشگاه کریگ در دوک یک پلیمر با استفاده از یکی از آنها (m-TMS-Fc) ساخت. این مولکول به عنوان پیوند دهنده، زنجیره‌های پلی‌اکریلات را به هم متصل می‌کرد.

آزمایش‌ها نشان داد این پلیمر چهار برابر مقاوم‌تر از پلیمرهای ساخته‌شده با فروسن استاندارد است.

پژوهشگران اکنون قصد دارند با همین رویکرد، مکانوفورهایی با ویژگی‌های دیگر مانند تغییر رنگ یا فعال شدن کاتالیزوری در برابر نیرو شناسایی کنند؛ کاربردهایی که می‌توانند در حسگرهای فشار، کاتالیزورهای قابل ‌سوئیچ و حتی دارورسانی زیست‌پزشکی مفید باشند.

دانشمندان می‌گویند: مکانوفورهای حاوی فلزهای واسطه هنوز به‌خوبی بررسی نشده‌اند و احتمالاً ساختشان هم کمی دشوارتر است. این چارچوب محاسباتی می‌تواند دامنه مکانوفورهای بررسی‌ شده را به‌طور گسترده گسترش دهد.

انتهای پیام/

کد خبر: 1277022

برچسب‌ها

نظر شما

شما در حال پاسخ به نظر «» هستید.
  • نظرات حاوی توهین و هرگونه نسبت ناروا به اشخاص حقیقی و حقوقی منتشر نمی‌شود.
  • نظراتی که غیر از زبان فارسی یا غیر مرتبط با خبر باشد منتشر نمی‌شود.
  • 0 + 0 =

    نظرات

    • نظرات منتشر شده: 1
    • نظرات در صف انتشار: 0
    • نظرات غیرقابل انتشار: 0
    • رضا IR ۱۲:۰۴ - ۱۴۰۴/۰۵/۲۶
      0 0
      سپاس، اطلاعات علمی و تخصصی عالی داشت این خبر