MOF-Struktur Gewinnt Nach 36 Jahren Endlich Den Nobelpreis: Wenn KI Die Chemie Versteht, Bewegen Sich Metallorganische Gerüste in Richtung Der Ära Der Generativen Forschung

Am 8. Oktober 2025 wurde in Schweden der Nobelpreis für Chemie bekannt gegeben.Die Königlich Schwedische Akademie der Wissenschaften hat beschlossen, den Nobelpreis für Chemie 2025 an Professor Susumu Kitagawa von der Universität Kyoto, Professor Richard Robson von der Universität Melbourne und Professor Omar Yaghi von der Universität von Kalifornien, Berkeley, zu verleihen, in Anerkennung ihrer Forschungsbeiträge auf dem Gebiet der „Metall-organischen Gerüstverbindungen“ (MOF).Dieses seit über 30 Jahren vom Markt anerkannte Forschungsfeld ist mittlerweile zu einer jährlichen Fußnote in der Weltwissenschaft geworden.

„Die neuartige Molekülstruktur, die von Susumu Kitagawa, Richard Robson und Omar Yaghi geschaffen wurde, enthält einen großen Hohlraum, durch den Moleküle hindurchtreten können. So können sie Feuchtigkeit aus der Wüstenluft gewinnen, Schadstoffe aus dem Wasser extrahieren oder Kohlendioxid einfangen und Wasserstoff speichern“, sagte Heiner Linke, Vorsitzender des Nobelpreiskomitees für Chemie, in der offiziellen Pressemitteilung zum Nobelpreis.Metallorganische Gerüstverbindungen (MOFs) bergen ein enormes Potenzial und könnten bisher ungeahnte Möglichkeiten für die Herstellung maßgeschneiderter Materialien mit neuen Funktionalitäten eröffnen.

Über den Nobelpreis hinaus geht die Bedeutung von MOFs über die Materialwissenschaft hinaus und läutet eine Ära ein, in der die Menschheit die materielle Welt neu interpretiert. Mit der Entdeckung des programmierbaren dreidimensionalen Raums auf molekularer Ebene hat sich die Chemie schrittweise von der Entdeckung zum Design entwickelt und ist zur Logik von Daten, Algorithmen und KI übergegangen.

Weitere Artikel zu den Grenzen der KI:
https://hyper.ai/papers

Von Koordinationspolymeren zu MOFs: Ein 36 Jahre altes chemisches Puzzle

Tatsächlich waren die Nobelpreisträger von den 1980er Jahren bis 2025Die Forschung zu MOFs hat eine dreistufige Entwicklung durchlaufen, von der Erforschung chemischer Konzepte bis hin zum systematischen Design.

Im Jahr 1989 schlug Richard Robson erstmals das Strukturkonzept dreidimensionaler Koordinationspolymere vor.Er versuchte, die inhärenten Eigenschaften von Atomen auf neue Weise zu nutzen. Er nutzte Koordinationsbindungen, um Metallknoten mit organischen Liganden zu einer periodischen Netzwerkstruktur zu verbinden. Er kombinierte positiv geladene Kupferionen mit einem vierarmigen Molekül, wodurch ein Molekül entstand, bei dem jeder Arm in einer chemischen Gruppe endete, die das Kupferion anzog. „Als sie sich verbanden, verdichteten sie sich zu einem perfekt geordneten, weitgehend leeren Kristall, wie ein Diamant mit unzähligen Hohlräumen.“

Diese Forschungsarbeit mit dem Titel „Infinite Polymeric Frameworks Consisting of Three Dimensionally Linked Rod-like Segments“ wurde im Journal of the American Chemical Society (JACS) veröffentlicht. Ben F. Hoskins, einer von Robsons frühen Co-Autoren, war Mitautor dieser bahnbrechenden Arbeit und lieferte den ersten experimentellen Beweis für das Konzept der MOFs.

In den folgenden 15 Jahren veröffentlichte das Team von Omar Yaghi und Kitagawa Susumu zahlreiche Artikel in Zeitschriften wie Nature und Science.Kontinuierlich erzielte revolutionäre Durchbrüche in der Strukturkonstruktion und Funktionsregulierung,Mit der Etablierung von MOF, einem neuen porösen Materialsystem, hat dieses Forschungsfeld allmählich Gestalt angenommen und ist in die Phase der Systemerweiterung eingetreten.

In dieser Zeit begann die akademische Gemeinschaft, Pfropfungen und andere Behandlungen an der MOF-Grundstruktur durchzuführen. Kitagawa Susumu bewies, dass Gase in diese Molekülstruktur hinein- und aus ihr herausströmen können, und schlug die Konzepte „flexibler Gerüste“ und „anpassbarer Poren (atmende MOFs)“ vor.Es wandelt MOF von einem starren Porenmaterial in ein dynamisches Strukturmaterial um und legt damit den Grundstein für die Umwandlung von MOF von einem starren Material in ein intelligentes, reaktionsfähiges Material.

Im Jahr 1999 schuf Omar Yaghi, bekannt als „Vater des MOF“, ein sehr stabiles MOF (MOF-5) und bewies, dass es durch rationales Design modifiziert werden konnte, um ihm neue Eigenschaften zu verleihen. Als repräsentatives metallorganisches Gerüstmaterial wurde MOF-5 in der frühen Forschung zur Wasserstoffspeicherung, Gasadsorption usw. häufig verwendet.Sein Konzept der „retikulären Chemie“ katapultierte die chemische Synthese in ein Zeitalter struktureller Vorhersagbarkeit. Darauf aufbauend veröffentlichte Mohamed Eddaoudi parallel dazu Artikel wie „Metal-Organic Frameworks from Design Strategies to Applications“ und entwickelte damit die experimentelle und synthetische Chemie früher MOFs mit großer Oberfläche wie MOF-5 weiter.

Während dieser Zeit veröffentlichte Michael O'Keeffe in Zusammenarbeit mit Omar Yaghi die Forschungsarbeit „Towards a Taxonomy of MOF Structures“, in der die zugrunde liegende Struktur von Kristallen und MOFs aus topologischer Sicht systematisch beschrieben wurde.

MOF löste einen Forschungsboom aus und wurde zum zentralen Forschungsobjekt in den Bereichen Gasspeicherung, Arzneimittelabgabe, Katalyse, Sensorik usw.MOF-Materialien haben die Phase der Industrialisierung erreicht und Anwendungspotenzial in Bereichen wie Gasspeicherung, Kohlenstoffabscheidung und Biomedizin gezeigt.Eine Vielzahl hochstabiler, handelsüblicher MOF-Strukturen wird mittlerweile industriell hergestellt, beispielsweise die Zr-basierte UiO-Reihe, die vom Team von Kitagawa Susumu in Zusammenarbeit mit der Universität Uppsala in Schweden entwickelt wurde und zu einem kommerziell erhältlichen, hochthermisch stabilen MOF geworden ist.

Seit 2022 arbeitet Atomis Co., Ltd., wo Susumu Kitagawa als wissenschaftlicher Berater fungiert, mit Yachiyo Engineering Co., Ltd. an der Entwicklung eines neuen Energiegasverteilungssystems namens „Smart Gas Network“, das auf MOF-Technologie basiert.Man hofft, dass die MOF-Molekülstruktur genutzt werden kann, um schwer kontrollierbare Methangasarten wie Biogas und Erdgas im Nanomaßstab bei Raumtemperatur zu adsorbieren und freizusetzen, ohne auf eine Pipeline-Infrastruktur angewiesen zu sein, und so einen leichten Gastransport zu ermöglichen.

In den letzten zehn Jahren wurden MOFs häufig in der industriellen Kohlenstoffabscheidung eingesetzt. So entwickelte beispielsweise die Forschungsgruppe von George Shimizu an der Universität Calgary ein MOF-Material namens CALF-20. In einem in Science veröffentlichten Artikel erwähnte die Forschungsgruppe, dass CALF-20 seine Leistung unter Wasser-, Oxidations- und Abgasbedingungen beibehält, im Gegensatz zu vielen früheren MOFs, die in feuchten Umgebungen leicht deaktiviert werden.CALF-20 wird vom kanadischen Unternehmen Svante eingesetzt, um Kohlendioxid abzuscheiden und Treibhausgase aus den Abgasen der Zementproduktion zu entfernen. Auch die Elektronikindustrie nutzt MOF-Materialien, um giftige Gase aus der Halbleiterproduktion zu absorbieren.

Zu den besonderen Eigenschaften von MOF-Materialien sagte Heiner Linke, Vorsitzender des Nobelkomitees und Nanophysiker an der Universität Lund in Schweden, humorvoll: „Dieses Material ist fast wie Hermines Handtasche in Harry Potter.“ Die Nobelpreisträger erklärten in ihrem offiziellen Bericht außerdem, dass die Zehntausenden unterschiedlichen MOFs, die von Chemikern konstruiert wurden, nach den bahnbrechenden Entdeckungen der drei Preisträger dazu beitragen könnten, einige der größten Herausforderungen der Menschheit zu lösen.

Einer im Juli 2025 von Science durchgeführten Umfrage zufolge sind MOFs derzeit weltweit Gegenstand von über 100.000 wissenschaftlichen Arbeiten.

Wenn MOFs von Algorithmen verstanden werden: Chemie und KI schwingen mit

Da künstliche Intelligenz (KI) in verschiedenen Bereichen zusammenwächst, erforschen viele Forscher das Potenzial von „KI + MOFs“. Zuvor veröffentlichte You Zhipengs Team an der Universität Nanchang eine Arbeit mit dem Titel „Künstliche Intelligenz in Metall-Organischen Gerüstverbindungen von 2013 bis 2024: Eine bibliometrische Analyse“. Mithilfe bibliometrischer Methoden und einer Software zur Visualisierung von Wissensgraphen analysierten sie Forschungsarbeiten zu MOF-KI aus der Datenbank „Web of Science“ zwischen 2013 und Mitte 2024.Aus der Anpassungskurve können wir erkennen, dass sich Forscher zunehmend für den Bereich der künstlichen Intelligenz in MOFs interessieren. Seit 2016 hat die Forschung zu „KI + MOF“ ein explosionsartiges Wachstum erfahren.Die Zahl der Veröffentlichungen nimmt ständig zu und zeigt, dass diese interdisziplinäre Richtung vielversprechende Perspektiven bietet, die Beachtung verdienen.

Strukturelle Eigenschaften und chemische Digitalisierung von MOFs

Derzeit treiben die strukturellen Eigenschaften von MOFs die Digitalisierung der Chemie kontinuierlich voran:Die Struktur von MOF aus „einstellbaren Metallknoten + organischen Liganden + topologischem Gitter“ macht es zu einem aufzählbaren und parametrisierbaren diskreten chemischen Raum und zu einem Forschungsobjekt, das von der Material-KI verstanden werden kann.

Der Grund, warum MOFs „ideale Kandidaten für Material-KI“ sind, liegt in ihrer inhärenten Modularität und Parametrisierbarkeit. Laut dem vom Korea Advanced Institute of Science and Technology in JACS veröffentlichten Artikel „From Data to Discovery: Recent Trends of Machine Learning in Metal–Organic Frameworks“ heißt es:Ein MOF besteht grundsätzlich aus drei trennbaren Komponenten, nämlich Metallknoten, organischen Liganden (Linkern) und räumlicher Topologie (Netzen).Diese drei entsprechen drei aufzählbaren diskreten Variablen:

* Verschiedene Metallcluster/Koordinationszahlen;

* Synthetisierbare organische Liganden-Chemiegerüste;

* Topologisch optionale Verbindungsmethode.

Die Kombination dieser Dimensionen lässt die Skalierbarkeit des MOF-Raums exponentiell wachsen. Gleichzeitig haben die Kandidatenstrukturen eine klare chemische Semantik,MOFs als Kandidatenmaterialien bieten „programmierbare Arbeitsschritte“ für die digitale Teilnahme am maschinellen Lernen.Beispielsweise können Metallcluster als Knoten, Liganden als Kanten oder Hyperkanten verwendet und topologische Informationen als Netzwerktopologieindikatoren kodiert werden. Graph-Neural-Networks (GNNs) können daher Eigenschaften wie Adsorptionsenergie und thermische Stabilität direkt aus der Struktur lernen; und skalare Beschreibungen wie Zellparameter, Porengrößenverteilung, Oberfläche und Porenvolumen können als überwachte Bezeichnungen oder Zielfunktionen für die Mehrzieloptimierung verwendet werden.

Kurz gesagt, es besteht kein Zweifel daran, dass im Vergleich zu der Situation, in der chemische Strukturen nicht aufgezählt werden können,Die modulare Syntax von MOF „diskretisiert“ den chemischen Raum in maschinenlesbare Regeln und bietet ein ideales kreatives Paradigma für die Material-KI.Es hat neue Wege für die Digitalisierung der Chemie eröffnet.

Bidirektionale Symbiose: KI verändert die MOF-Forschung

In einem gemeinsamen Artikel mit dem Titel „KI-gesteuerte Fortschritte bei metallorganischen Gerüstverbindungen: Von Daten zu Design und Anwendungen“ erklärte ein Team der Technischen Universität Tianjin, der Chinesischen Akademie der Wissenschaften und der Agentur für Wissenschaft, Technologie und Forschung (A*STAR) aus Singapur: „Die jüngsten Fortschritte in den Bereichen künstliche Intelligenz und maschinelles Lernen haben dem MOF-Bereich bahnbrechende Möglichkeiten eröffnet. Wichtige Datenbanken, Deep-Learning-Architekturen, generative Modelle und hybride KI-Simulationsframeworks haben das leistungsstarke MOF-Design und -Screening neu gestaltet und ermöglichen eine genaue Eigenschaftsvorhersage, die automatisierte Strukturgenerierung und die Planung groß angelegter Synthesen.“ Tatsächlich haben viele Forschungsteams in den letzten fünf Jahren schrittweise Ergebnisse in Teilbereichen wie der Eigenschaftsvorhersage und der automatisierten Generierung von MOF-Strukturen auf Basis von KI erzielt.

Im Jahr 2024 entwickelte ein Forschungsteam des Korea Advanced Institute of Science and Technology und der Pohang University of Science and Technology das erste tiefe generative Modell MOFFlow, das speziell für die Vorhersage der MOF-Struktur konzipiert wurde, um das Generationsgerüst der MOF-Struktur vorherzusagen.Als kontinuierlicher Regularisierungsprozess nutzt dieses Framework die modularen Eigenschaften von MOFs und wendet eine Flow-Matching-Methode an, bei der Metallknoten und organische Liganden als starre Körper behandelt werden und Vorhersagen im SE-Raum getroffen werden, um die strukturelle Komplexität zu reduzieren.Die Architektur ist wie folgt:

* MOF in Komponenten wie Metallknoten und organische Liganden aufteilen und für diese ein konsistentes lokales Koordinatensystem definieren;

* Geben Sie das MOFFlow-Modell ein, legen Sie eine einfache vorherige Verteilung als Ausgangspunkt fest, definieren Sie das Transformationsziel von der vorherigen zur Zielstrukturverteilung und verwenden Sie das Flow-Matching-Framework, um die zufälligen Komponenten auf sinnvolle Weise zu lernen und anzuordnen.

* Basierend auf den atomaren Informationen, die vom Encoder als Features in die Komponenten eingebettet werden, wird ein Graph-Neuralnetzwerk verwendet, um die geometrischen und topologischen Beziehungen zwischen Komponenten zu modellieren und die Rotations-, Translations- und Gitterparameter der Komponenten vorherzusagen;

* Führen Sie eine Stichprobenentnahme und Strukturrekonstruktion durch. * MOFFlow gibt Daten aus, gleicht die generierte Struktur mit dem realen Kristall ab und vergleicht sie, um die Gültigkeit des Ergebnisses zu überprüfen.

Im April 2025 brachten Omar Yaghi und andere Forscher der University of California, Berkeley, das Agentic-AI-System „MOFGen“ auf den Markt, das Module wie LLM, Diffusionsmodell, Quantenmechanik-Agent und Synthese-Machbarkeitsprädiktor integriert.Wird verwendet, um MOF-Strukturen von Grund auf neu zu generieren und die Strukturen zu prüfen und zu verifizieren. Der MOFGen-Workflow besteht aus sieben Schritten:

* Der Haupt-LLM-Agent MOFMaster (Agent 1) bietet relevante Generierungsoptionen für die MOF-Struktur und übergibt Anweisungen an LinkerGen (Agent 2);

* LinkerGen generiert chemische MOF-Formeln basierend auf kontextbezogenem Lernen und Einschränkungen, die von MOFMaster bereitgestellt werden;

* Die Formel wird in das denoisierte Diffusionswahrscheinlichkeitsmodell CrystalGen eingespeist, das irrelevante Atome entfernt und relevante Atome an mögliche Positionen verschiebt. Die Kristallstruktur wird anhand der Formel und ohne Klassifikatorführung generiert. * Da die vom Diffusionsmodell generierte Struktur vom Gleichgewichtszustand abweicht, wird der Low-Level-Quantenmechanik-Agent QForge zur Vorabprüfung verwendet.

* Synthetisierbarkeitsbewertung basierend auf SynthABLE;

* Verwenden Sie QHarden, um interatomare Abstände zu überprüfen, schwebende Atome, Molekülfragmente und andere Artefakte aus der Kristallstruktur zu entfernen und dann die endgültige Optimierung der Struktur durchzuführen;

* Basierend auf experimenteller Überprüfung durch SynthGen.

Darüber hinaus sind die vorhandenen Modelle auf die Wiederverwendung bekannter Bausteine und auf kleine Elementarzellen beschränkt.Forschungsteams der Peking-Universität, der Harvard-Universität, der Universität Cambridge und anderer Institutionen haben gemeinsam das SE-äquivariante Diffusionsmodell Building-Block-Aware MOF Diffusion vorgestellt, das die dreidimensionale Allatomdarstellung eines einzelnen Bausteins erlernen und das topologische Kristallnetzwerk explizit kodieren kann.

Als Reaktion darauf schlug das Forschungsteam einen „komponentenbewussten“ Generierungsansatz vor:

* Ausgehend von der CoRE-MOF-Datenbank werden MOFs in drei Grundeinheiten zerlegt: anorganische Knoten, organische Liganden und topologische Gitter;

* Verwendung eines Diffusionsmodells zur Simulation des Prozesses der Strukturerzeugung vom Rauschen bis zur Ordnung, wobei sichergestellt werden muss, dass jede Vorhersage den Beschränkungen der chemischen Bindung und der räumlichen Symmetrie entspricht;

* Komponentenbewusstes netzwerkbasiertes Lernen identifiziert die geometrischen Beziehungen und topologischen Verbindungen zwischen Komponenten und lernt die zugrunde liegenden chemischen Gesetze;

* Abtasten von zufälligem Rauschen, schrittweises Entrauschen und Wiederherstellen der Positionen von Knoten und Liganden und erneutes Zusammensetzen dieser Komponenten basierend auf dem PORMAKE-Tool, um eine vollständige dreidimensionale MOF-Struktur zu erzeugen.

Experimente haben gezeigt, dass durch die Integration von MOF-Komponenten in das Diffusionsmodell die BBA MOF Diffusion neue MOF-Strukturen mit Tausenden von Atomeinheiten erzeugen kann. Dadurch wird die Einschränkung des „Neubeginns“ aufgehoben und eine praktische Möglichkeit zur Synthese von Hochleistungs-MOFs geschaffen.

Abschluss

Von Robsons Prototyp eines dreidimensionalen Koordinationspolymers über das von Yaghi und Kitagawa Susumu entwickelte, gestaltbare Gerüst bis hin zur heutigen automatisierten Generierung mithilfe von KI spiegelt die Entwicklung von MOFs nahezu die Entwicklung der Chemie von der empirischen zur computergestützten Chemie und von der Struktur zum Algorithmus wider. Dies stellt nicht nur einen Durchbruch in der Materialwissenschaft dar, sondern auch einen Wandel in der wissenschaftlichen Methodik: Wenn das Moleküldesign in einen rechnerisch diskreten Raum eintritt, erhält die Chemie ein eigenes „Sprachmodell“. Mit der Konvergenz von generativer KI, Quantencomputing und experimentellen Hochdurchsatzplattformen könnte sich die MOF-Forschung in Zukunft von der empirischen Entdeckung zur datengetriebenen Forschung weiterentwickeln.

Referenzlinks:

1. https://arxiv.org/html/2504.14110v1

2. https://arxiv.org/abs/2410.17270

3. https://arxiv.org/pdf/2505.08531

4. https://pubs.acs.org/doi/10.1021/jacsau.4c00618

5. https://www.nobelprize.org/prizes/chemistry/2025/popular-information/

6. https://www.nobelprize.org/prizes/chemistry/2025/press-release/

7. https://www.science.org/doi/10.1126/science.abi7281