»Find den bedste katalysator til Morita-Baylis-Hillman-reaktionen.«
Cirka sådan lød den lidt kryptiske kommando til den algoritme, som professor i beregningskemi Jan Halborg Jensen og hans kollegaer på Københavns Universitet har arbejdet på siden 2018.
Missionen var at finde frem til det molekyle, der sætter en bestemt kemisk reaktion i gang – altså reaktionens katalysator. Noget, der lige nu er kemikeres (tidskrævende) opgave:
»Kemikere finder som regel frem til katalysatorer enten via tilfældigheder eller ved at prøve sig frem med deres kemiske viden. Her ville vi gerne have en computer til at foreslå en katalysator meget hurtigere, end vi mennesker kan,« siger Jan Halborg Jensen, som er professor i beregningskemi ved Kemisk Institut på Københavns Universitet.
Kort sagt er en katalysator en hjælpende hånd i en kemisk reaktion. Den kan få en reaktion til at ske hurtigere, lettere og med lavere energiforbrug. Ovenikøbet uden selv at ændre sig eller blive opbrugt.
\ Katalysatorer i din hverdag
I biler er det en katalysator, som sørger for at de sidste rester benzin nedbrydes så hurtigt, at
der ikke er noget benzin tilbage, når det når udstødningsrøret.
Når vi vasker tøj, er der i vaskemiddel tilføjet et enzym (som er en katalysator), der kan nedbryde snavs i en 30-40 graders vask i stedet for ved de høje temperaturer, som ellers
naturligt kræves for at nedbryde snavs.
Kemikerens svar på en boremaskine
En katalysator kan altså være et ret smart redskab at have ved hånden som kemiker, og en algoritme, som foreslår en katalysator, kan gøre kemikerens arbejde endnu mere effektivt.
Erik Donovan Hedegård, som er lektor på SDU og forsker i teoretisk kemi, nikker anerkendende til ideen om at bruge en algoritme til at undersøge katalysatorer. Derfor glæder han sig også over det resultat, der er beskrevet i den videnskabelige artikel, som forskerne publicerede i marts 2023 i kemi-tidsskriftet Angewandte Chemie.
»Alt i alt mener jeg, at forfatterne lykkes ret fint med at vise, hvordan teoretisk kemi og maskinlæring kan anvendes til at optimere ydeevne for en katalysator, og jeg tror, at metoden også vil virke mange andre steder. Jeg vil i hvert fald følge udviklingen med spænding,« siger Erik Donovan Hedegård.
\ Forstå katalysatorer med dating
Hvis det gik lige lovlig hurtigt med forklaringen af, hvad en katalysator er, kan vi prøve med
kærlighedsfortælling:
I en travl hverdag har Person X og Person Y hverken tid, energi eller de rigtige forhold til at blive forelskede. Da de downloader en datingapp (historiens katalysator), kan de lære hinanden at kende, mens de sidder i toget eller tager en slapper på sofaen. Appen giver mulighed for, at der kan opstå … ja… kemi mellem dem.
Når det er sagt, har datingsapps forskellige funktioner, og det er ikke alle, som vil fungere for Person X og Person Y:
- På Tinder ser Person X, at Person Y har en umådelig grim tatovering af en hest på højre skulder og swiper impulsivt til ‘nej tak’.
- På PartnerMedNiveau kan Person Y ikke finde tid til at skrive et dybsindigt svar på Person X’s forklaring af sit speciale, og samtalen dør.
- Men på Bumble smelter Person X’s hjerte, når der står, at Person Y’s yndlingsfilm er Krummerne. De bruger herefter hvert ledigt sekund på at skrive sammen om, hvilken Krummerne-film, de skal se sammen først. Bum!
Mens Person X og Person Y nu er hovedkulds forelskede (tillykke til dem!) og ikke skal bruge deres datingapp mere, kan andre håbefulde, men hverdagspressede personer stadig bruge den samme app til at blive forelskede. Appen vil hverken ændre sig eller blive mindre effektiv af, at folk bruger den.
I denne fortælling har det været Jan Halborg Jensen og hans kollegaers fornemme opgave at skabe en algoritme, der kan finde frem til, hvilken datingapp (katalysator), der virker for netop de personer, som de gerne vil have til at blive forelskede.
Selvom forskerne indledningsvis har ladet algoritmen arbejde med en velundersøgt og ’let’ reaktion, har Erik Donovan Hedegård håb for, at metoden også kan brede sig til mere komplicerede katalysatorer, såsom enzymer.
Algoritmen er beskrevet i en videnskabelig artikel, som Jan Halborg Jensen har udarbejdet med Jonathan Kirschner Solberg Hansen, Mogens Brøndsted Nielsen og Julius Seumer, som er ph.d.-studerende og artiklens førsteforfatter.
I forbindelse med publiceringen af den videnskabelige artikel har Angewandte Chemie også offentliggjort en pressemeddelelse, som du kan læse her.
\ Om Morita-Baylis-Hillman-reaktionen
Den kemiske reaktion, som algoritmen har arbejdet med i studiet, er en såkaldt syntetisk organisk reaktion, hvor ’syntetisk’ henviser til det at forene noget, mens ordet ‘organisk’ betyder, at der ikke er metaller involveret i reaktionen.
Reaktionen forekommer ikke naturligt, men laves i laboratorie.
Det er en reaktion mellem tre komponenter (en carbonylforbindelse, en alkene og en nukleofil). I reaktionen ‘skubber’ alkenen carbonylforbindelsen mod nukleofilen, så de to kan danne en binding via to carbon-atomer. Det får de to molekyler til at sidde sammen.
Den populære reaktion bruges blandt andet til at lave forskellige lægemidler. Her er det katalysatorens fornemme at skabe bedre betingelser for at alkenen og carbonylforbindelsen kan interagere.
En ‘survival of fittest’-algoritme
I oktober 2016 mærkede Jan Halborg Jensen for første gang algoritme-inspirationen spire. Hans øjne slugte linje efter linje af en artikel, der beskrev den allerførste kemiske anvendelse af algoritme.
»Kemi kan være en besværlig og langsommelig proces. Hvis computeren kan foreslå dig noget, som kan spare dig flere år, er det jo fantastisk!«
Det tog Jan Halborg Jensen et par år at finde sin egen yndlingsmetode inden for algoritme-kemi, men i 2018 lagde han sig fast på at undersøge, hvordan man kunne bruge den genetiske algoritme. En forholdsvis simpel algoritme, der bygger på samme princip som evolution, som Jan Halborg Jensen forklarer:
»Når en genetisk algoritme skal finde den bedste katalysator, vil computeren starte med tilfældige molekyler og finde de bedste katalysatorer. Så vil den ‘parre’ dem, og af de ‘børn’, der kommer, vil nogle være lidt bedre til at katalysere. De bliver nu parret, og på den måde bliver katalysatorerne lidt bedre for hver gang. Til sidst vil computeren nå frem til det molekyle, som den vurderer, er den bedste katalysator for en bestemt kemisk reaktion,« forklarer Jan Halborg Jensen.
Ligesom evolutionens motto er ‘den bedst tilpassede overlever’, bliver molekylerne udviklet efter mantraet ‘den bedste katalysator overlever’.
»Det er i sig selv en ret simpel algoritme, men stadig meget effektiv,« siger Jan Halborg Jensen, som nu har endnu mere blod på tanden efter at finde ud af, hvordan man kan videreudvikle på algoritmen, så det ikke kun er Morita-Baylis-Hillman-reaktionen, der kan drage nytte af den.
Hvis du gerne vil grave dybere ned i teorien, som algoritmen er baseret på, kan du læse mere om, hvordan evolution fungerer her.
\ Evolution er ikke intelligent. Men den virker…
Selvom ordet ‘algoritme’ kan lede tankerne hen på kunstig intelligens som en form for chatbotten ChatGPT for kemikere, kan man ifølge Jan Halborg Jensen ikke helt sætte de to i samme kategori.
»Genetisk algoritme er ikke en kunstig intelligens, for den lærer som sådan ikke noget. Evolution lærer heller ikke noget – det er en række tilfældigheder, som skaber et udfald, og
de udfald, der fungerer bedst, overlever. Det simpelt, men det virker,« forklarer han og tilføjer
det ene punkt, hvor computeren ikke udelukkende arbejder tilfældigt:
»Algoritmen er mere tilbøjelig til at parre to ting, som virker godt, end to ting, som virker dårligt, men det er sådan set det eneste ‘intelligente’, den gør.«
Grunden til, at Jan Halborg Jensen og de andre forskere valgte at arbejde med genetisk algoritme frem for kunstig intelligens, er særligt mængden af data, som de to hver især
kræver for at fungere.
»Ved en kunstig intelligens-version vil computeren lære noget om molekylerne, så den er
mindre tilbøjelig til at foreslå noget mærkeligt. Men til gengæld bliver den også langt mere
kompliceret og kræver meget mere data for at fungere – og i kemiens verden er data dyr.«
Hvad er bedre end det forventede resultat?
Morita-Baylis-Hillman-reaktionen er en gammel kending blandt kemikere, så det var ikke reaktionens slutprodukt, som var vigtig for beregningskemikerne på KU. Det, der gjorde reaktionen attraktiv at arbejde med, var først og fremmest de praktiske fordele:
»Her var vi både sikre på, at der var en katalysator, og at der var rimelig godt styr på, hvordan katalysatoren burde virke,« siger Jan Halborg Jensen og forklarer, at de to ting ville gøre det let at tjekke, om algoritmens forslag til en katalysator var korrekt.
»Vi havde forventet, at computeren ville foreslå en katalysator, som lignede det, vi brugte i forvejen i reaktionen. Så vi kunne sige ‘okay, vi ved allerede, at det virker, og vi har fundet det igen’, og så ville det være det,« fortæller Jan Halborg Jensen.
Men algoritmen ville noget andet.
I stedet for at foreslå et molekyle, der lignede den velkendte katalysator, poppede et nyt molekyle op på skærmen.
»Der blev vi glade! Især da vi så fik det efterprøvet i laboratorie, og det rent faktisk virkede. Ikke nok med det, molekylet var endda en lille smule bedre, end det man hidtil har brugt.«
\ Kvantemekanik – en vejrudsigt for katalysatorer
Når du laver et molekyle og skal se, om det er en god katalysator, skal du have et tal på, hvor god den er. Her kommer kvantemekanikkens lov ind.
Da Jan Halborg Jensen og teamet kunne se, at den katalysator, som computeren havde foreslået, var den rigtige slags molekyle, skulle de undersøge sandsynligheden for, at molekylet kan bruges som katalysator.
Her brugte de kvantemekanik til at lave simulationer på, hvordan elektronerne og kernerne vil opføre sig i den forslåede kemiske reaktion.
»Det er lidt ligesom at simulere vejret. Du er ikke så overrasket, hvis din vejrmodel siger, at
det vil regne i morgen, og det så regner, men du ved også godt, at den kan tage fejl,« forklarer Jan Halborg Jensen og siger, at de gode udsigter ved simuleringerne dog gav lidt ro i sindet, mens de ventede på resultatet fra laboratoriet:
»Det svarer lidt til, at 10 vejrudsigter forudser solskin. Så tror man mere på, at Solen vil skinne. Derfor havde vi en god fornemmelse i maven, da vi sendte forslaget videre til laboratoriet, men det lettede selvfølgelig stadig, da svaret kom retur, at molekylet også virker i praksis.«
Så selvom Morita-Baylis-Hillman-reaktionen måske ikke er den mest sexede reaktion på markedet, giver dens nye katalysator stadig beregningskemikerne grund til at være tilfredse:
»Det produkt, som reaktionen har skabt i vores eksempel, er i sig selv ikke noget, vi kan bruge til noget, men det er processen, som er det vigtige her. Nu kan vi se, at algoritmen virker.«
Netop dén pointe fremhæver Erik Donovan Hedegård fra SDU også, sammen med styrken af praktisk anvendelse:
»Ikke nok med, at det er lykkes deres algoritme at finde et molekyle, der teoretisk er en bedre katalysator. De får også bygget molekylet i laboratorie, hvor de viser, at katalysatoren kan bruges af kemikere i virkeligheden – og at den er bedre end standard-katalysatoren. Det er imponerende!«
Da den teoretiske kemiker fra SDU læste den videnskabelige artikel, blev han nysgerrig efter at høre mere om, hvor meget metoden forventes at kunne bredes ud til andre katalysatorer, reaktioner og grene af bio-kemien.
\ Læs også
En uendelig to-do-liste
Når man spørger Jan Halborg Jensen, hvilke fremtidsperspektiver han ser for den genetiske algoritme, når han knap at gøre den ene plan færdig, før har nævner en ny.
Ét af største punkter på hans to-do-liste, er også kilden til hans største frygt: Nemlig at lade algoritmen arbejde på ubetrådt land og prøve at finde katalysatorer til reaktioner, som lige nu ikke har nogen. Men han vil ikke blot finde en ny katalysator. Den skal også gøre nytte:
»Gødning er egentlig ammoniak, og man kan lave det fra nitrogen, som vi har masser af i atmosfæren. Processen kræver dog både høje temperaturer og tryk og derfor også meget energi – cirka 2 procent af verdens energiforbrug.«
»Det er endnu ikke lykkedes nogen at finde en katalysator, der virker ved stuetemperatur og normalt, atmosfærisk tryk.Det vil vi gerne have algoritmen til at hjælpe med.«
En anden idé, som beregningskemikerne har fået penge til og ser frem til at prikke hul på, er at finde molekyler, som kan opfange CO2 fra atmosfæren med henblik på at lagre det.
»Der er allerede eksempler på det, men vi vil prøve at finde nogle bedre katalysatorer, som både kan hjælpe til at opfange CO2‘en hurtigere og frigive det en igen ved lavere varme for at spare energi,« siger Jan Halborg Jensen.
Han vurderer chancen for at finde den slags molekyle til at ligge på 90 procents sikkerhed. Så er det næste spørgsmål blot, om algoritmen også kan finde en katalysator, som er billig nok til at føre ud i livet.
Ved siden af disse projekter, fortsætter listen med Jan Halborg Jensen og hans kollegaers fremtidsplaner for algoritmen:
- De skal have testet algoritmen med andre reaktioner også, så de skal have gang i forskellige 10 projekter, og det kræver 10 samarbejdspartnere, som er villige til at teste resultaterne.
- Lige nu virker algoritmen kun for katalysatorer, som er organiske, og hvor der altså ikke sidder et metal. Men det er lidt af et problem, for omkring 90 procent af alle katalysatorer har et metal i sig. Derfor arbejder de på at udvikle algoritmen til at kunne fungere med uorganiske katalysatorer også.
- At lave det nye molekyle tager ikke så lang tid, men at udregne, hvor godt molekylet er, er en tidsrøver. Derfor vil de gerne arbejde på at skulle gøre det så få gange som muligt.
- De vil have computeren til selv at finde ud af, hvordan den kommer i gang, hvis man vil have en reaktion, der ser ud på en bestemt måde. Håbet er, at de vil kunne fortælle computeren: »Vi vil gerne have den her reaktion, vi har ingen idé om, om der overhovedet er en katalysator,« men at de så kan ‘avle’ en katalysator til reaktionen.
- Det kunne hjælpe processen meget at udvikle en robot til at teste de katalysatorer, som algoritmen foreslår. Det er en relativt simpel opgave, der mest bare handler om at ændre én faktorer ad gangen, så det er ikke urealistisk at kunne automatisere den proces inden for de næste 5-10 år. Men det vil i høj grad også kræve, at personer med dén form for ekspertise tager deres produkt til sig og udvikler det.
- En af deres kollegaers ønske-reaktion er at lave diamant fra CO2. Kemisk er der ikke noget problem med det, men det kræver en katalysator, som kan skabe reaktionen med normalt atmosfærisk tryk og ved stuetemperatur. Så kunne man i princippet have en diamant-maskine stående i hjørnet på kontoret.
Algoritmen skal udbredes
Selvom Jan Halborg Jensen og det øvrige team af teoretiske kemikere på KU er i gang med at videreudvikle på algoritmen, håber Jan Halborg Jensen, at andre forskere ser dens potentiale:
»Hvis algoritmen skal kunne gøre en forskel i verden, er det ikke kun os, der skal bruge den. Derfor er det vores opgave nu at vise, at den virker, så andre også har tillid til at tage den til sig og måske endda udvikle på den,« siger Jan Halborg Jensen
Han tør også godt gøre sig forhåbninger om algoritmens udbredelse, selvom fremtidens test måske ikke har samme grad af ‘begynderheld’:
»Før var der intet eksempel på, at sådan en algoritme fungerer. Nu har vi et, så det er et stort skridt. Selv hvis metoden i fremtiden ikke virker lige så godt som med Morita-Baylis-Hillman-reaktionen, men måske kun 50 procent af gangene, er det stadig et brugbart redskab, fordi det sparer så meget tid, når det det så fungerer.«
Hvornår har man prøvet nok?
Det lumske ved kemiske reaktioner er ifølge Jan Halborg Jensen, at man kan være meget tæt på at noget lykkedes, så det kun er småting, som skal justeres.
Skal man for eksempel opløse komponenterne i vand, acetone, metanol – eller en blanding? Det kan man kun finde ud af ved at prøve sig frem.
»Det ikke unormalt, at man bogstaveligt talt prøver 100 forskellige ting for at finde de rigtige omstændigheder til en katalysator. Med Morita-Baylis-Hillman-reaktionen, virkede det første, vi prøvede, fuldstændig efter hensigten,« siger Jan Halborg Jensen og må afbryde sig selv i et grin over sit eget held, før han fortsætter:
»… men det kunne lige så godt ikke have virket, og så skulle vi måske afprøve 50 ting for at få katalysatoren til at virke.«
Dén tanke kan godt give Jan Halborg Jensen rynker i panden, når han skal til at arbejde med reaktioner, hvor man ikke engang er sikker på, at der findes en katalysator:
»Det, jeg er mest bange for er, at computeren finder en katalysator, som godt kan fungere i det rigtige opløsningsmiddel – men at vi ikke kan finde ud af, hvad det er. Så kan det være, at vi prøver 99 ting, der ikke virker og må give op. Men nummer 100 havde fungeret.«
Selvom det kan virke som nogle trættende præmisser at arbejde under, er der stadig optimisme at spore, både hos Jan Halborg Jensen og Erik Donovan Hedegård.
Begge vurderer det realistisk, at algoritmen i fremtiden vil kunne svare på langt sværere kommandoer end ‘Find den bedste katalysator til Morita-Baylis-Hillman-reaktionen’.
