Aprendizado de máquina para prever quais MOFs podem realmente ser feitos no laboratório Estruturas metal-orgânicas (MOFs) estão entre os materiais mais ajustáveis já criados — cristais porosos montados a partir de nós metálicos e ligadores orgânicos, com aplicações que vão desde armazenamento de gás até catálise. Computacionalmente, podemos gerar trilhões de estruturas possíveis. O problema é que quase nenhum deles é sintetizado. De milhares de triagens de MOF publicadas até hoje, apenas cerca de uma dúzia levaram à síntese real em laboratório, e mesmo assim, os químicos tendem a escolher projetos "seguros" que se assemelham a estruturas conhecidas, em vez das computacionalmente ótimas. Andre Niyongabo Rubungo e coautores enfrentam esse gargalo com três ingredientes: (1) MOFMinE, um conjunto de dados recém-selecionado com quase um milhão de MOFs com energias de deformação simuladas e energias livres para um subconjunto de 65.000 estruturas; (2) MOFSeq, uma representação de sequência que codifica tanto características locais (SMILES dos blocos de construção) quanto características globais (topologia e conectividade); e (3) LLM-Prop, um modelo de linguagem com 35 milhões de parâmetros pré-treinado com os abundantes dados de energia de deformação, depois ajustado nos cálculos de energia livre mais caros. Os resultados são impressionantes: erro absoluto médio de 0,789 kJ/mol, 97% de precisão na previsão da sintetizabilidade e 78% de precisão na seleção do polimorfo correto entre as estruturas concorrentes. Mesmo quando dois polimorfos diferem por apenas 0,16 kJ/mol, o modelo ainda escolhe o certo em mais de 60% das vezes. A implicação é prática: o que antes exigia dias de simulação molecular agora passa por uma rede neural para frente. Isso abre caminho para filtrar rotineiramente as triagens computacionais de MOF por sintesabilidade prevista — permitindo que experimentalistas se aventurem além dos designs "intuidos" para regiões inexploradas do espaço químico, ao mesmo tempo em que melhora as chances de que o que parece bom no computador possa realmente ser feito no laboratório. Papel: