La Structure MOF Remporte Enfin Le Prix Nobel Après 36 Ans : Lorsque l'IA Comprend La Chimie, Les Structures Métallo-organiques Entrent Dans l'ère De La Recherche Générative

Le 8 octobre 2025, le prix Nobel de chimie a été annoncé en Suède.**L'Académie royale des sciences de Suède a décidé d'attribuer le prix Nobel de chimie 2025 au professeur Susumu Kitagawa de l'Université de Kyoto, au professeur Richard Robson de l'Université de Melbourne et au professeur Omar Yaghi de l'Université de Californie à Berkeley, en reconnaissance de leurs contributions à la recherche dans le domaine des « structures métal-organiques » (MOF).**Ce domaine de recherche, validé par le marché depuis plus de 30 ans, est désormais devenu une note de bas de page annuelle de la science mondiale.

« La nouvelle structure moléculaire créée par Susumu Kitagawa, Richard Robson et Omar Yaghi contient une grande cavité qui permet aux molécules de passer à travers, récoltant ainsi l'humidité de l'air du désert, extrayant les polluants de l'eau ou capturant le dioxyde de carbone et stockant l'hydrogène », a déclaré Heiner Linke, président du Comité du prix Nobel de chimie, dans le communiqué de presse officiel du prix Nobel.Les structures organométalliques (MOF) présentent un potentiel énorme et peuvent offrir des opportunités jusqu'alors imprévues pour personnaliser les matériaux avec de nouvelles fonctionnalités.

Au-delà du prix Nobel, l'importance des MOF dépasse la science des matériaux elle-même, inaugurant une ère où l'humanité réinterprète le monde matériel. Avec la découverte de l'espace tridimensionnel programmable à l'échelle moléculaire, la chimie est progressivement passée de la découverte à la conception, évoluant vers la logique des données, des algorithmes et de l'IA.

Autres articles sur les frontières de l'IA : https://hyper.ai/papers

Des polymères de coordination aux MOF : un casse-tête chimique de 36 ans

En fait, des années 1980 à 2025, les lauréats du prix NobelLa recherche sur les MOF a connu une évolution en trois étapes, de l’exploration du concept chimique à la conception systématique.

**En 1989, Richard Robson a proposé pour la première fois le concept structurel de polymères de coordination tridimensionnels.**Il a tenté d'exploiter les propriétés intrinsèques des atomes d'une nouvelle manière. Il a utilisé des liaisons de coordination pour relier des nœuds métalliques à des ligands organiques dans une structure en réseau périodique. Il a combiné des ions cuivre chargés positivement avec une molécule à quatre bras, créant ainsi une molécule dont chaque bras se terminait par un groupe chimique attirant l'ion cuivre. « Lorsqu'ils se sont réunis, ils se sont condensés en un cristal parfaitement ordonné et largement vide, tel un diamant rempli d'innombrables vides. »

Cette recherche, intitulée « Infinite Polymeric Frameworks Consisting of Three Dimensionally Linked Rod-like Segments », a été publiée dans le Journal of the American Chemical Society (JACS). Ben F. Hoskins, l'un des premiers co-auteurs de Robson, a co-écrit cet article révolutionnaire, fournissant la première preuve expérimentale du concept de MOF.

Au cours des 15 années suivantes, l’équipe d’Omar Yaghi et de Kitagawa Susumu a publié de nombreux articles dans des revues telles que Nature et Science.**A continuellement réalisé des percées révolutionnaires dans la construction structurelle et la régulation fonctionnelle,**Avec la mise en place du MOF, un nouveau système de matériaux poreux, ce domaine de recherche a progressivement pris forme et est entré dans la phase d'expansion du système.

Durant cette période, la communauté universitaire a commencé à réaliser des greffes et d'autres traitements sur la structure de base des MOF. Kitagawa Susumu a démontré que les gaz peuvent entrer et sortir de cette structure moléculaire et a proposé les concepts de « structures flexibles » et de « pores ajustables » (MOF respirants).Il transforme le MOF d'un matériau poreux rigide en un matériau structurel dynamique, posant ainsi les bases de la transformation du MOF d'un matériau rigide en un matériau réactif intelligent.

En 1999, Omar Yaghi, connu comme le « père du MOF », a créé un MOF très stable (MOF-5) et a prouvé qu'il pouvait être modifié grâce à une conception rationnelle pour lui donner de nouvelles propriétés. **En tant que matériau de structure organométallique représentatif, le MOF-5 a été largement utilisé dans les premières recherches sur le stockage de l'hydrogène, l'adsorption de gaz, etc.**Son concept de « chimie réticulaire » a propulsé la synthèse chimique vers une ère de prévisibilité structurale. S'appuyant sur ce concept, Mohamed Eddaoudi a publié simultanément des articles tels que « Metal-Organic Frameworks from Design Strategies to Applications », faisant progresser la chimie expérimentale et synthétique des premiers MOF à grande surface spécifique, comme le MOF-5.

Durant cette période, Michael O'Keeffe a également collaboré avec Omar Yaghi pour publier un article de recherche « Vers une taxonomie des structures MOF », qui décrit systématiquement la structure sous-jacente des cristaux et des MOF d'un point de vue topologique.

Alors que le MOF a marqué le début d'un boom de la recherche, il est devenu l'objet de recherche principal dans les domaines du stockage de gaz, de l'administration de médicaments, de la catalyse, de la détection, etc.**Les matériaux MOF sont entrés dans la phase d’industrialisation et ont montré un potentiel d’application dans des domaines tels que le stockage de gaz, la capture du carbone et la biomédecine.**Une variété de structures MOF commerciales très stables ont commencé à être industrialisées, telles que la série UiO à base de Zr développée par l'équipe de Kitagawa Susumu en collaboration avec l'Université d'Uppsala en Suède, qui est devenue un MOF hautement stable thermiquement disponible dans le commerce.

Depuis 2022, Atomis Co., Ltd., où Susumu Kitagawa est conseiller scientifique, travaille avec Yachiyo Engineering Co., Ltd. pour développer un nouveau système de distribution de gaz énergétique appelé « Smart Gas Network » basé sur la technologie MOF.On espère que la structure moléculaire du MOF pourra être utilisée pour adsorber et libérer des gaz méthane difficiles à contrôler tels que le biogaz et le gaz naturel à l’échelle nanométrique à température ambiante, sans dépendre d’une infrastructure de pipeline, permettant ainsi un transport de gaz léger.

Au cours des dix dernières années, les MOF ont été largement utilisés dans le captage industriel du carbone. Par exemple, le groupe de recherche de George Shimizu à l'Université de Calgary a développé un matériau MOF appelé CALF-20. Dans un article publié dans la revue Science, le groupe de recherche a mentionné que le CALF-20 peut maintenir ses performances dans l'eau, les conditions d'oxydation et les gaz d'échappement, contrairement à de nombreux MOF antérieurs qui se désactivent facilement en milieu humide.Le CALF-20 est utilisé par l'entreprise canadienne Svante pour capter le dioxyde de carbone et éliminer les gaz à effet de serre des gaz d'échappement de la cimenterie. Par ailleurs, l'industrie électronique a également commencé à utiliser les matériaux MOF pour absorber certains gaz toxiques lors de la production de semi-conducteurs.

Concernant les propriétés particulières des matériaux MOF, Heiner Linke, président du comité Nobel et nanophysicien à l'université de Lund en Suède, a déclaré avec humour : « Ce matériau est presque comme le sac à main d'Hermione dans Harry Potter. » Les responsables du prix Nobel ont également déclaré dans le rapport officiel qu'à la suite des découvertes révolutionnaires des trois lauréats, les dizaines de milliers de MOF différents construits par les chimistes pourraient contribuer à résoudre certains défis majeurs auxquels l'humanité est confrontée.

Actuellement, selon une enquête réalisée en juillet 2025 par Science, les MOF sont devenus le sujet de plus de 100 000 articles universitaires dans le monde.

Quand les MOF sont compris par les algorithmes : la chimie et l'IA entrent en résonance

Alors que l'intelligence artificielle (IA) converge dans divers domaines, de nombreux chercheurs explorent le potentiel de l'association « IA + MOF ». L'équipe de You Zhipeng, de l'Université de Nanchang, a précédemment publié un article intitulé « Intelligence artificielle dans les structures métallo-organiques de 2013 à 2024 : une analyse bibliométrique ». À l'aide de méthodes bibliométriques et d'un logiciel de visualisation de graphes de connaissances, ils ont analysé des articles de recherche sur l'IA MOF issus de la base de données Web of Science entre 2013 et mi-2024.**La courbe d'ajustement montre que les chercheurs s'intéressent de plus en plus au domaine de l'intelligence artificielle dans les MOF. Depuis 2016, la recherche sur « IA + MOF » a connu une croissance fulgurante.**Le nombre de publications ne cesse d’augmenter, montrant que cette orientation interdisciplinaire offre des perspectives prometteuses qui méritent d’être prises en compte.

Propriétés structurelles et numérisation chimique des MOF

Actuellement, les propriétés structurelles des MOF stimulent en permanence la numérisation de la chimie :La structure « nœuds métalliques ajustables + ligands organiques + grille topologique » du MOF en fait un espace chimique discret énumérable et paramétrable, et un objet de recherche qui peut être compris par l'IA matérielle.

La modularité et la paramétrabilité inhérentes des MOF en font des candidats idéaux pour l'IA matérielle. Selon l'article « Des données à la découverte : Tendances récentes de l'apprentissage automatique dans les structures métallo-organiques » publié par l'Institut coréen des sciences et technologies avancées (JACS),**Un MOF se compose essentiellement de trois composants séparables, à savoir des nœuds métalliques, des ligands organiques (Linkers) et une topologie spatiale (Nets).**Ces trois-là correspondent à trois variables discrètes dénombrables :

* Différents groupes de métaux/numéros de coordination ;

* Squelettes chimiques de ligands organiques synthétisables ;

* Méthode de connexion topologiquement facultative.

La combinaison de ces dimensions permet une croissance exponentielle de l'évolutivité de l'espace MOF. Parallèlement, les structures candidates ayant une sémantique chimique claire,**Les MOF, en tant que matériaux candidats, fournissent des « étapes de travail programmables » pour la participation numérique à l'apprentissage automatique.**Par exemple, les clusters métalliques peuvent être utilisés comme nœuds, les ligands comme arêtes ou hyperarêtes, et les informations topologiques peuvent être codées comme indicateurs de topologie de réseau. Les réseaux neuronaux graphes (GNN) peuvent ainsi apprendre directement des propriétés telles que l'énergie d'adsorption et la stabilité thermique à partir de la structure ; et les descriptions scalaires telles que les paramètres cellulaires, la distribution de la taille des pores, la surface et le volume des pores peuvent être utilisées comme étiquettes supervisées ou fonctions objectives pour l'optimisation multi-objectifs.

En bref, il ne fait aucun doute que, par rapport à la situation où les structures chimiques ne peuvent pas être énumérées,**La syntaxe modulaire de MOF « discrétise » l'espace chimique en règles lisibles par machine, offrant un paradigme créatif idéal pour l'IA matérielle.**Elle a ouvert de nouvelles voies pour la numérisation de la chimie.

Symbiose bidirectionnelle : l'IA remodèle la recherche MOF

Dans un article conjoint intitulé « Avancées pilotées par l'IA dans les structures métallo-organiques : des données à la conception et aux applications », une équipe de l'Université de technologie de Tianjin, de l'Académie chinoise des sciences et de l'Agence pour la science, la technologie et la recherche (A*STAR) de Singapour a déclaré : « Les avancées récentes en intelligence artificielle et en apprentissage automatique ont apporté des capacités transformatrices au domaine des MOF. Les bases de données clés, les architectures d'apprentissage profond, les modèles génératifs et les cadres de simulation hybrides d'IA ont remodelé la conception et le criblage des MOF hautes performances, permettant une prédiction précise des propriétés, la génération automatisée de structures et la planification de synthèses à grande échelle. » De fait, au cours des cinq dernières années, de nombreuses équipes de recherche ont effectivement obtenu des résultats par étapes dans des sous-secteurs tels que la prédiction des propriétés et la génération automatisée de structures MOF basées sur l'IA.

En 2024, une équipe de recherche de l'Institut coréen avancé des sciences et technologies et de l'Université des sciences et technologies de Pohang a développé le premier modèle génératif profond MOFFlow conçu spécifiquement pour la prédiction de la structure MOF afin de prédire le cadre de génération de la structure MOF.**En tant que processus de régularisation continue, ce cadre utilise les caractéristiques modulaires des MOF et adopte une méthode de correspondance de flux, traitant les nœuds métalliques et les ligands organiques comme des corps rigides et faisant des prédictions dans l'espace SE pour réduire la complexité structurelle.**Son architecture est la suivante :

* Divisez le MOF en composants tels que des nœuds métalliques et des ligands organiques, et définissez un système de coordonnées locales cohérent pour eux ;

* Saisissez le modèle MOFFlow, définissez une distribution a priori simple comme point de départ, définissez la cible de transformation à partir de la distribution de structure a priori vers la distribution de structure cible et utilisez le cadre de correspondance de flux pour apprendre et organiser les composants aléatoires de manière raisonnable ;

* Sur la base des informations atomiques intégrées dans les composants par l'encodeur en tant que caractéristiques, un réseau neuronal graphique est utilisé pour modéliser les relations géométriques et topologiques entre les composants et prédire les paramètres de rotation, de translation et de réseau des composants ;

* Effectuer l'échantillonnage et la reconstruction structurelle ; * MOFFlow génère des données, fait correspondre et compare la structure générée avec le cristal réel pour vérifier la validité du résultat.

En avril 2025, Omar Yaghi et d'autres chercheurs de l'Université de Californie à Berkeley ont lancé le système d'IA Agentic « MOFGen », qui intègre des modules tels que LLM, modèle de diffusion, agent de mécanique quantique et prédicteur de faisabilité de synthèse.Utilisé pour générer des structures MOF à partir de zéro, filtrer et vérifier les structures. Le flux de travail MOFGen se compose de sept étapes :

* L'agent LLM principal MOFMaster (Agent 1) fournit des options de génération pertinentes pour la structure MOF et transmet des instructions à LinkerGen (Agent 2) ;

* LinkerGen génère des formules chimiques MOF basées sur l'apprentissage contextuel et les contraintes fournies par MOFMaster ;

* La formule est introduite dans l'entrée du modèle de probabilité de diffusion débruité CrystalGen, qui supprime les atomes non pertinents et déplace les atomes pertinents vers les positions possibles. La structure cristalline est générée selon la formule, sans l'aide d'un classificateur. * Étant donné que la structure générée par le modèle de diffusion s'écarte de l'état d'équilibre, l'agent de mécanique quantique de bas niveau QForge est utilisé pour le pré-criblage.

* Évaluation de la synthétisabilité basée sur SynthABLE ;

* Utilisez QHarden pour vérifier les distances interatomiques, supprimer les atomes flottants, les fragments moléculaires et autres artefacts de la structure cristalline, puis effectuer l'optimisation finale de la structure ;

* Basé sur une vérification expérimentale par SynthGen.

De plus, les modèles existants se limitent à la réutilisation de blocs de construction connus et sont limités à de petites cellules unitaires.Des équipes de recherche de l'Université de Pékin, de l'Université Harvard, de l'Université de Cambridge et d'autres institutions ont présenté conjointement le modèle de diffusion équivariante SE Building-Block-Aware MOF Diffusion, qui peut apprendre la représentation tridimensionnelle de tous les atomes d'un seul bloc de construction et coder explicitement le réseau topologique cristallin.

En réponse à cela, l'équipe de recherche a proposé une approche de génération « consciente des composants » :

* En utilisant la base de données CoRE-MOF comme point de départ, les MOF sont décomposés en trois unités de base : nœuds inorganiques, ligands organiques et grilles topologiques ;

* Utilisation d'un modèle de diffusion pour simuler le processus de génération de structure du bruit à l'ordre, en s'assurant que chaque prédiction respecte les contraintes de liaison chimique et de symétrie spatiale ;

* L'apprentissage basé sur un réseau prenant en compte les composants identifie les relations géométriques et les connexions topologiques entre les composants et apprend les lois chimiques sous-jacentes ;

* Échantillonnage à partir de bruit aléatoire, débruitage progressif et restauration des positions des nœuds et des ligands, et réassemblage de ces composants sur la base de l'outil PORMAKE pour générer une structure tridimensionnelle MOF complète.

Des expériences ont montré qu'en incorporant des composants MOF dans le modèle de diffusion, BBA MOF Diffusion peut générer de nouvelles structures MOF contenant des milliers d'unités atomiques, brisant ainsi la limitation du « départ de zéro » et offrant un moyen pratique de synthétiser des MOF hautes performances.

Conclusion

Du prototype de polymère de coordination tridimensionnel de Robson au cadre concevable établi par Yaghi et Kitagawa Susumu, jusqu'à la génération automatisée actuelle grâce à l'IA, le développement des MOF reflète presque l'évolution de la chimie, de l'empirique au computationnel, et de la structure à l'algorithme. Il s'agit non seulement d'une avancée majeure en science des matériaux, mais aussi d'un changement de méthodologie scientifique : lorsque la conception moléculaire entre dans un espace computationnel discret, la chimie commence à posséder son propre « modèle de langage ». À l'avenir, avec la convergence de l'IA générative, de l'informatique quantique et des plateformes expérimentales à haut débit, la recherche sur les MOF pourrait évoluer d'une « découverte empirique » à une « découverte basée sur les données ».

Liens de référence :

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