MOFBuilder : modélisation automatisée de bout en bout de la dynamique des MOF pour le criblage à grand volume

Pourquoi les petites cages cristallines importent

Les matériaux cristallins poreux appelés cadres métal-organiques, ou MOF, ressemblent à des échafaudages complexes remplis de pièces et de couloirs nanométriques. Ils peuvent piéger des gaz à effet de serre, transporter des médicaments ou accueillir des catalyseurs, mais concevoir le bon matériau pour une application est extrêmement difficile car les possibilités sont innombrables. La plupart des outils informatiques ne considèrent que des instantanés figés de ces matériaux, alors qu’en réalité leurs structures se plient, « respirent » et interagissent avec des liquides et des molécules invitées. Cet article présente MOFBuilder, une chaîne logicielle qui automatise la construction de modèles réalistes et dynamiques de MOF afin que les chercheurs puissent les explorer beaucoup plus efficacement et éviter de négliger des matériaux prometteurs.

Assembler des Lego cristallins à partir de recettes de haut niveau

MOFBuilder considère les MOF comme s’ils étaient construits à partir de pièces de Lego moléculaires : des grappes contenant des métaux et des linkers organiques. Plutôt que de partir de fichiers cristallographiques statiques qui manquent souvent de détails chimiques complets, le programme utilise une description du réseau global ainsi que les structures de ces blocs de construction. Il les assemble ensuite en une structure tridimensionnelle complète tout en préservant l’appartenance des atomes à chaque molécule et leurs liaisons. Cette approche permet de générer en quelques secondes des modèles chimiquement cohérents, incluant des cristaux infinis idéaux, des clusters finis, des couches minces ou de vastes supercellules pouvant atteindre l’échelle micrométrique. Comme les modèles gardent des étiquettes moléculaires nettes, ils peuvent être directement fournis à des moteurs de dynamique moléculaire standard sans les corrections manuelles fastidieuses qui prenaient autrefois des semaines d’expertise.

Corriger les imperfections et simuler des environnements réalistes

Les MOF réels ne sont jamais parfaits : ils contiennent des linkers et des nœuds métalliques manquants, et souvent des mélanges de composants différents. MOFBuilder permet aux utilisateurs d’introduire ces caractéristiques directement au niveau des unités de construction en sélectionnant les pièces à retirer ou à remplacer. Lorsqu’une vacance est créée, le programme repère automatiquement les sites métalliques devenus sous-coordonnés et les cappe avec de petits fragments afin que la chimie locale reste raisonnable et que la charge globale soit équilibrée. Il peut aussi découper des clusters ou des couches pour étudier des interfaces et entourer le cadre de molécules de solvant à l’aide d’un algorithme d’emballage efficace. Les paramètres de champ de force et les charges atomiques pour les linkers organiques et les nœuds métalliques sont attribués via des liaisons intégrées à des outils de chimie quantique, produisant des fichiers d’entrée prêts à l’emploi pour des logiciels de simulation largement utilisés.

Observer les invités traverser les pores

Pour illustrer ce que permet une telle automatisation, les auteurs présentent deux études de cas. Dans la première, ils construisent un grand modèle d’un MOF nommé NU-1000 rempli d’eau salée et d’un fragment d’ARN double brin thérapeutique. L’ensemble, qui aurait auparavant nécessité des semaines de préparation manuelle, est construit, solvaté et équilibré dans une seule chaîne puis simulé pendant plus de 100 nanosecondes. L’ARN dérive progressivement du centre d’un canal large vers les parois du MOF, pour finalement se stabiliser dans une position confortable où il interagit principalement par des contacts de van der Waals modérés avec les linkers organiques. Fait important, l’ARN reste structurellement intact et ne se lie pas fortement aux centres métalliques, ce qui corrobore des résultats expérimentaux indiquant que ce MOF peut protéger du matériel génétique sans l’endommager.

Révéler un puzzle de pore caché

La deuxième étude de cas porte sur la capture de gaz dans une famille bien connue de MOF appelée UiO-66. Ici, les auteurs génèrent et simulent automatiquement 30 variantes dont les linkers portent différents groupes chimiques, toutes immergées dans de l’eau contenant du dioxyde de carbone dissous. De chaque simulation, ils extraient des dizaines de descripteurs décrivant les linkers, la géométrie des pores et le mouvement du CO2 et de l’eau. Des modèles d’apprentissage automatique relient ensuite ces descripteurs au nombre de molécules de CO2 qui se concentrent effectivement près des linkers. Un motif frappant apparaît : dans plusieurs variantes, une analyse géométrique standard d’une structure figée unique rapporte un volume poreux accessible nul, ce qui les disqualifierait normalement comme non poreuses. Pourtant, les simulations dynamiques montrent que le CO2 s’accumule malgré tout dans de petites cavités grâce à de subtiles rotations des linkers qui ouvrent des portes temporaires — un effet que les auteurs qualifient de « paradoxe de la porosité ».

Ce que cela change pour la découverte de matériaux

Pour les non-spécialistes, le message clé est que des matériaux prometteurs peuvent être injustement écartés si on ne les juge qu’à partir d’images structurales rigides. MOFBuilder offre un moyen d’inclure de manière routinière le mouvement, les défauts et des environnements réalistes dans le criblage virtuel, tout en gardant le processus rapide et automatique. En transformant des idées de conception de haut niveau en modèles dynamiques et chimiquement fidèles qui peuvent être analysés et explorés par apprentissage automatique, l’outil jette les bases d’une découverte de MOF plus fiable et pilotée par les données pour des tâches telles que la capture de gaz, la catalyse et l’administration de médicaments. En substance, il fait passer la modélisation des matériaux d’instantanés statiques à des films animés, aidant les scientifiques à voir et exploiter des comportements auparavant cachés.

Citation: Li, C., Ahlquist, M.S.G. MOFBuilder: automated end-to-end modeling of MOF dynamics for high-throughput screening. npj Comput Mater 12, 156 (2026). https://doi.org/10.1038/s41524-026-02086-x

Mots-clés: cadres métal-organiques, dynamique moléculaire, criblage de matériaux, adsorption de gaz, conception computationnelle de matériaux