Alkil amonyum tuzlarında ozmotik katsayıları tahmin etmek ve aktivite katsayılarını türetmek için bir makine öğrenimi yaklaşımı

Günlük Kimyasalların Saklı Karmaşıklığı

Kumaş yumuşatıcılarından saç kremlerine, dezenfektan mendillerden ağız çalkalama sularına kadar kuaterner amonyum tuzları olarak adlandırılan ve genellikle “Quat” diye kısaltılan bir kimyasal aile, güvendiğimiz birçok ürünü sessizce işler. Mikrop öldürmelerine, kumaşı yumuşatmaya ve endüstriyel reaksiyonları hızlandırmaya yardımcı olurlar. Ancak bu tuzların suda tam olarak nasıl davrandığını tahmin etmek şaşırtıcı derecede zor olmuştur; bu da daha güvenli ve çevre dostu formülasyonları ne kadar verimli tasarlayabileceğimizi sınırlar. Bu çalışma, modern makine öğreniminin geçmiş ölçümlerden öğrenerek bu davranışı daha esnek ve birçok durumda geleneksel modellere göre daha doğru şekilde tahmin edebileceğini gösteriyor.

Bu Tuzların Neden Önemi Var

Quat’lar karbonca zengin “kuyruklarla” çevrili pozitif yüklü moleküllerdir. Bu alışılmadık şekil, onların birden fazla işi aynı anda yapmasına olanak tanır: yağlı kiri tutmak, kumaş veya saç gibi yüzeylere yapışmak ve mikropların zarlarını bozmak; bu da onları güçlü dezenfektanlar ve yüzey aktif maddeler yapar. Ayrıca faz aktarım katalizörleri olarak kullanılırlar; sulu ortamdan normalde gitmeyecekleri yağ benzeri çözücülere reaktif iyonları taşıyan birer servis görevi görürler. Bu taşıma işlemi, su ile yağ arasındaki sınırda gerçekleşir ve ilaç, polimer ve ince kimyasalların üretiminde kullanılan kimyasal reaksiyonları önemli ölçüde hızlandırabilir.

Davranışlarını Tahmin Etmeyi Zorlaştıran Nedir

Yeni Quat’lar tasarlamak veya mevcutları ayarlamak için kimyagerlerin çözeltide nasıl davrandıklarını — suyla ve diğer çözünmüş iyonlarla ne kadar güçlü etkileştiklerini — bilmesi gerekir. İki önemli ölçüm, tuzların suyun membranlar aracılığıyla çekilme eğilimini nasıl etkilediğini yansıtan ozmotik katsayı ve çözünmüş bir türün ideal, kusursuz karışmış bir çözeltiye kıyasla ne kadar “etkili” olduğunu yakalayan aktivite katsayısıdır. Geleneksel olarak bu değerler ya zahmetli deneylerle elde edilir ya da birçok ayarlanmış parametre gerektiren ve yeni moleküllere genellemesi kolay olmayan Electrolyte‑NRTL ve Extended UNIQUAC gibi karmaşık fiziksel modeller kullanılarak bulunur.

Bilgisayara Molekulleri Okutmak

Araştırmacılar farklı bir yol izlediler: bir bilgisayarın Quat yapısı ile ozmotik davranış arasındaki bağlantıyı mevcut verilerden doğrudan öğrenip öğrenemeyeceğini sordular. Bilimsel literatürden 52 farklı Quat için 1.654 ozmotik katsayı ölçümü topladılar. Her molekül, karbon ve oksijen atomu sayısı, benzen halkalarının varlığı, dallanma ve pozitif yüklü azot grubunun türü gibi özellikleri kodlayan bir dizi gösterimi olan SMILES gösterimiyle tanımlandı; buna eşlik eden negatif iyon (klorür, bromür veya nitrat gibi) da dahildi. Bu yapısal tanımlayıcılar ve tuz konsantrasyonu, Python’da uygulanmış çeşitli denetimli makine öğrenimi algoritmalarına girdi olarak kullanıldı.

En Güvenilir Tahmin Ediciyi Bulmak

Doğrusal regresyon, karar ağaçları, rastgele ormanlar, destek vektör makineleri, gradyan artırma, k‑en yakın komşu ve Gauss süreçleri dahil olmak üzere yedi farklı algoritma verilerin %70’i üzerinde eğitildi ve kalan %30’da test edildi. Takım ayrıca tüm verilerin bir tuz için hariç tutulduğu daha sıkı bir doğrulama şeması kullanarak modellerin gerçekten görülmemiş bir bileşiğe ne kadar iyi genelleme yapabildiğini değerlendirdi. Doğrusal regresyon zayıf performans göstererek önemli doğrusal olmayan eğilimleri kaçırdı. Ağaç tabanlı yöntemler eğitim verilerini son derece iyi uydurdu ancak biraz pürüzlü tahminler ürettiler ve yeni tuzlarda doğruluğu kaybettiler. Gauss süreçleri modeli en iyi dengeyi sağladı: ozmotik katsayılar için düzgün, fiziksel açıdan makul eğriler verdi ve en zorlu testlerde alternatif makine öğrenimi yaklaşımlarını geride bırakarak yaklaşık %5 ortalama mutlak yüzde hataya ulaştı.

Ozmotik Davranıştan Kullanışlı Tasarım Sayılarına

En iyi model seçildikten sonra, modelin tahmin ettiği ozmotik katsayılar standart termodinamik ilişkiler kullanılarak aktivite katsayılarına dönüştürüldü. Bu aktivite katsayıları deneylerden ve yerleşik fiziksel modellerden türetilen değerlerle karşılaştırıldığında, makine öğrenimi yaklaşımı çoğu Quat için genellikle onlarla eşleşti veya onları geçti. Tüm maddeler genelinde ortalama hatası bazı özel modellerden biraz daha yüksek olsa da çok önemli bir avantajı vardı: tuz‑özgü uyumlamaya değil yapısal tanımlayıcılara dayandığı için, eğitim setindeki yapılarla benzerlik gösteren yeni ve laboratuvarda hiç ölçülmemiş Quat’lara uygulanabiliyordu.

Ürünler ve Süreçler İçin Ne Anlama Geliyor

Bir uzman olmayan için mesaj şu: bilgisayarlar artık molekullerin kısa metin tanımlarını “okuyabiliyor” ve geçmiş verilerde öğrenilen desenlerden, bu moleküllerin suda nasıl davranacağını etkileyici bir doğrulukla tahmin edebiliyor. Bu, her aday için yorucu deneyler yapmadan dezenfektanlar, temizleyiciler, kişisel bakım ürünleri ve endüstriyel katalizörler için yeni Quat’ların daha hızlı ve daha ucuz taranmasının önünü açıyor. Mevcut model yalnızca ilk bir adım; yazarlar daha zengin moleküler parmak izleri ve daha yeni algoritmaların performansı daha da artırabileceğine dikkat çekiyor. Yine de bu çalışma, veri odaklı araçların geleneksel kimyayı tamamlayabileceğini ve mühendislerin laboratuvarda tek tek test etmenin pratik olmadığı kimyasal olasılıkları keşfederek daha etkili ve potansiyel olarak daha güvenli formülasyonlar tasarlamasına yardımcı olabileceğini gösteriyor.

Atıf: Chawuthai, R., Murathathunyaluk, S., Saengsuradech, S. et al. A machine learning approach for predicting osmotic coefficients and deriving activity coefficients in alkyl ammonium salts. Sci Rep 16, 5969 (2026). https://doi.org/10.1038/s41598-026-36758-x

Anahtar kelimeler: kuaterner amonyum tuzları, faz aktarım katalizi, ozmotik katsayılar, aktivite katsayıları, kimyada makine öğrenimi