Otimização de parâmetros interatômicos de álcoois alifáticos direcionada por aprendizado de máquina: reprodução de propriedades físico-químicas em simulações de dinâmica molecular

Abstract

Álcoois alifáticos compõem uma ampla família de solventes e reagentes, sendo indispensáveis nos setores científicos e industriais. No nível molecular, a combinação do grupo hidroxila hidrofílico e cadeia carbônica hidrofóbica confere caráter anfifílico capaz de perturbar membranas, estabilizar proteínas e facilitar extrações verdes de biomoléculas. Técnicas de dinâmica molecular permitiram investigar esses efeitos com resolução atômica, mas sua acurácia depende criticamente da qualidade dos parâmetros do potencial efetivo empregado. Os campos de força aditivos frequentemente não representam de maneira adequada propriedades de álcoois alifáticos lineares, em especial a função de distribuição radial g OO(r), o coeficiente de autodifusão e a constante dielétrica, comprometendo a representação de processos moleculares dependentes desses solventes. Neste trabalho, empregou-se um protocolo de aprendizado de máquina ativo baseado em ciclos iterativos de predição– simulação–retreinamento para otimizar, no CHARMM36, os parâmetros de Lennard-Jones e a diferença de carga dos átomos da hidroxila em cinco álcoois lineares (etanol a 1-hexanol). Conjuntos de 100 modelos de perceptrons de múltiplas camadas (MLPs) avaliaram mais de 106 combinações de parâmetros, minimizando uma função-alvo multivariada que captura os desvios entre simulação e dados experimentais. O protocolo de aprendizagem de máquina gerou novos parâmetros que aumentaram o coeficiente de determinação R² entre os g OO(r) simulados e suas contrapartes experimentais de valores inferiores a 0,2 para valores superiores a 0,95, além de reduzir significativamente o desvio relativo médio em relação aos dados experimentais, resultando em uma representação muito mais fiel dos álcoois trabalhados. Além disso, a transferibilidade dos parâmetros foi testada em (i) uma mistura DIPE/água/etanol, (ii) a solução etanólica do peptídeo β-amiloide e (iii) uma micela reversa de DTAB em 1-hexanol. Nos três cenários, os álcoois reparametrizados reproduziram melhor propriedades experimentais de interesse, resultados que os parâmetros originais não alcançaram. Os resultados demonstram que ajustes direcionados por aprendizado de máquina melhoram a descrição de propriedades experimentais e revelam a importância da descrição correta da estrutura dos solventes para os sistemas trabalhados. O protocolo, de fácil extensão a outros solventes e campos de força, valida uma rota prática e precisa para a reparametrização de potenciais clássicos.