Conjunto de dados e modelos Open Molecular Crystals 2025 (OMC25)

Por que um enorme conjunto de dados cristalinos importa

Cristais moleculares estão no cerne de muitas tecnologias cotidianas, desde medicamentos e pigmentos até eletrônicos flexíveis. Seu comportamento depende não apenas dos átomos que contêm, mas de como cópias repetidas de uma molécula se arranjam em um sólido. Prever esse empacotamento e suas consequências é notoriamente difícil e demorado, geralmente exigindo cálculos quântico-mecânicos pesados. Este artigo apresenta um novo conjunto de dados aberto, chamado Open Molecular Crystals 2025 (OMC25), que reúne dezenas de milhões de estruturas de cristais moleculares cuidadosamente simuladas. Ele foi projetado para dar aos métodos modernos de aprendizado de máquina a experiência rica de que precisam para aprender como esses cristais se comportam, com o objetivo de longo prazo de tornar o projeto de cristais mais rápido, mais barato e mais confiável.

Uma biblioteca gigante de cristais modelo

A equipe OMC25 propôs construir um extenso "terreno de treinamento" para modelos computacionais que prevêem como cristais moleculares se organizam e quão estáveis são esses arranjos. Eles reuniram mais de 27 milhões de estruturas cristalinas construídas a partir de cerca de 50.000 moléculas orgânicas diferentes. Cada cristal contém apenas elementos leves comuns, como carbono, nitrogênio, oxigênio e alguns halogênios, e pode ter até 300 átomos em sua unidade repetitiva básica. Para cada estrutura, registraram não apenas as posições dos átomos, mas também a energia total do cristal, as forças atuando em cada átomo e a tensão mecânica na célula unitária. Esses rótulos são o que permitem aos modelos de aprendizado de máquina conectar padrões em arranjos atômicos ao comportamento físico.

De empacotamentos aleatórios a sólidos realistas

Para popular essa biblioteca, os autores não se limitaram a copiar cristais experimentais conhecidos. Em vez disso, usaram uma ferramenta de código aberto para gerar muitas maneiras diferentes de uma molécula se empacotar em um cristal. Variaram quantas moléculas cabem na célula unitária básica e exploraram uma ampla gama de simetrias cristalinas. Para cada candidato, criaram versões tanto fracamente empacotadas quanto fortemente empacotadas para cobrir situações distantes e próximas das condições realistas. Em seguida, usaram um método quântico de alta qualidade, que inclui a sutil atração entre moléculas, para relaxar cada estrutura — permitindo que os átomos se movam passo a passo até que as forças quase desapareçam. Ao longo desses caminhos de relaxamento, amostraram muitas estruturas intermediárias, capturando como um cristal muda enquanto se acomoda de um palpite bruto para um arranjo físico plausível.

Filtragem cuidadosa e grande variedade

Como palpites aleatórios podem gerar situações não realistas, a equipe aplicou filtros rigorosos para limpar os dados. Removeram quaisquer quadros onde energias, forças ou tensões estavam muito fora do esperado, ou onde moléculas se quebraram ou se fundiram de maneiras quimicamente inadequadas. Também verificaram se os volumes das células não saltavam a ponto de tornar as configurações numéricas subjacentes pouco confiáveis. O resultado é um conjunto de dados que abrange uma enorme variedade de químicas e estilos de empacotamento, mantendo exemplos não físicos ao mínimo. Em comparação com um grande banco de dados experimental de cristais, o OMC25 contém uma distribuição mais ampla de simetrias cristalinas e tamanhos de células unitárias, deliberadamente sobremostrando alguns tipos de arranjos para desafiar e enriquecer os modelos de aprendizado de máquina.

Ensinando computadores a prever cristais

Para testar se o OMC25 é realmente útil, os autores treinaram vários modelos de aprendizado de máquina de ponta que operam diretamente sobre estruturas atômicas. Esses modelos aprendem a prever energia, forças e tensão a partir das posições e identidades dos átomos. Quando avaliados em dados reservados do OMC25, alcançaram erros de previsão muito baixos, mostrando que o conjunto de dados é consistente e informativo. A equipe então levou os modelos a testes externos, como reproduzir energias e volumes cristalinos conhecidos e ranqueando diferentes formas cristalinas (polimorfos) da mesma molécula. Apesar de terem sido treinados em dados gerados com uma versão específica de método quântico, os modelos tiveram desempenho competitivo em benchmarks baseados em métodos um pouco mais avançados, e mostraram-se especialmente fortes ao comparar a estabilidade relativa de diferentes empacotamentos cristalinos.

O que isso significa para materiais futuros

Para não especialistas, a mensagem principal é que o OMC25 oferece um grande e cuidadosamente curado campo de treinamento onde modelos de aprendizado de máquina podem "praticar" com cristais moleculares realistas. Em vez de executar cálculos quânticos exigentes do zero para cada novo palpite de cristal, os pesquisadores podem confiar cada vez mais em modelos rápidos e aprendidos, treinados no OMC25, para triagem e refinamento de estruturas. Isso pode acelerar a busca por formas farmacêuticas melhores, eletrônicos orgânicos mais eficientes e materiais especiais aprimorados. Embora o conjunto de dados se concentre em uma família particular de cristais e utilize um nível específico de teoria quântica, ele estabelece uma base poderosa. Ao tornar tanto os dados quanto modelos de exemplo abertamente disponíveis, os autores pretendem catalisar esforços mais amplos para prever e projetar cristais moleculares com a facilidade e velocidade que o aprendizado de máquina moderno pode oferecer.

Citação: Gharakhanyan, V., Barroso-Luque, L., Yang, Y. et al. Open Molecular Crystals 2025 (OMC25) dataset and models. Sci Data 13, 354 (2026). https://doi.org/10.1038/s41597-026-06628-2

Palavras-chave: cristais moleculares, potenciais por aprendizado de máquina, banco de dados de materiais, previsão de estrutura cristalina, química quântica