Новый подход к классике химии
При создании новых веществ химики часто совершенствуют известные соединения. Предсказать, как изменения повлияют на свойства, помогает уравнение Гаммета. Оно, например, оценивает способность молекул связываться с биологическими мишенями в организме. Основу уравнения составляют константы — величины, отражающие влияние групп атомов на электронное поведение всей молекулы. Однако на практике известные константы иногда не объясняют поведение определенных групп: те действуют вопреки предсказаниям, например, не "притягивают", а "отталкивают" электроны. Долгое время такие отклонения считались редкими исключениями.
Диагностика проблемы
Команда ученых из Института элементоорганических соединений имени А.Н. Несмеянова РАН (Москва), Института общей и неорганической химии имени Н.С. Курнакова и Университета Барселоны предложила решение этой застарелой проблемы. Исследователи проанализировали связь экспериментально измеряемых параметров (например, длины связей) с общепринятыми константами для распространенных химических групп. Анализ показал, что эта зависимость меняется не плавно, как ожидалось, а резкими скачками. Это четко указало, что текущие константы не описывают реальное поведение этих групп.
Инновационная методика
Для решения ученые использовали надежные контрольные группы с предсказуемым поведением (например, водород), получив ожидаемую прямую линейную зависимость длины связи от константы Гаммета. Затем с помощью этого эталона были определены новые, исправленные константы для "проблемных" групп. Применение обновленных значений блестяще объяснило прежде необъяснимые экспериментальные аномалии в поведении молекул.
Значение открытия
Полученные результаты знаменуют важную веху для фундаментальной науки и практики. В химии это открывает путь к созданию катализаторов с беспрецедентной эффективностью и селективностью. Медицинская химия, использующая константы для предсказания свойств лекарств, получит мощный инструмент для более точного дизайна новых препаратов. Уточненные данные также позволят химикам осуществлять точную настройку свойств полимеров и функциональных материалов.
Перспективы развития
«Наша работа — гораздо больше, чем правка устаревших таблиц. Мы предложили принципиально новый подход к решению фундаментальной проблемы, которая тормозила прогресс целых отраслей. Это значительный шаг в новую эпоху химического моделирования, — с энтузиазмом комментирует руководитель проекта, поддержанного грантом РНФ, к.х.н. Игорь Никовский из ИНЭОС РАН. — В планах — интеграция новых данных в модели машинного обучения для радикального повышения точности предсказаний уравнения Гаммета и ускорения инноваций в фармацевтике и материаловедении».
