Prebiotic chemistry kinetics from stochastic sampling (PROCESS)

Cinétique de réaction en chimie prébiotique par échantillonnage stochastique Les origines de la vie sur Terre demeurent l'une des questions de recherche les plus fascinantes, la chimie prébiotique fournissant un aperçu de la manière dont des molécules organiques simples ont pu se former et évoluer avant l'apparition de la biochimie complexe des organismes vivants. Dans ce domaine, les simulations offrent des informations précieuses sur les différents scénarios conduisant à une synthèse réussie ou échouée pour certains composés clés. Cette thèse explore l'étude théorique des réactions de chimie prébiotique en solution aqueuse. L'étude des réactions chimiques en solution est un domaine complexe et diverse. En utilisant la dynamique moléculaire ab initio, nous modélisons avec précision les mouvements des molécules en solution. Cependant, le pas de temps requis pour échantillonner correctement cette évolution est de nettement plus petit que le temps nécessaire pour que les réactions chimiques se produisent. Associé à l'utilisation de la mécanique quantique pour évaluer les forces, cela fait qu'il est impossible d'attendre que les composé réagisse spontanément, comme ce serait le cas dans des conditions expérimentales. Pour surmonter ces limitations, des techniques d'échantillonnage avancées telles que la métadynamique, le transition path sampling et l'umbrella sampling sont employées pour explorer de manière approfondie les surfaces d'énergie potentielle et les mécanismes de transition. Ces méthodes permettent l'identification des chemins réactionnels, l'échantillonnage des chemins de transition les plus probables, la création de coordonnées réactionnelles basées sur des données, et le calcul des profils d'énergie libre le long de ces coordonnées. En complément de ces analyses thermodynamiques, nous étudions la possible application d'équations de dynamique stochastique non-Markovienne pour estimer la cinétique de ses réactions. Cette approche tient compte des effets de mémoire et des corrélations temporelles complexes dans les mouvements moléculaires, offrant des estimations plus rigoureuse des taux de réaction par rapport aux méthodes traditionnelles. Dans un premier temps, nous appliquons notre protocole de travail à une réaction emblématique SN2 dans de l'eau explicite. Nous présentons des outils pour mesurer efficacement la qualité des coordonnées réactionnelles potentielles au sommet de la barrière de transition. Dans un deuxième temps, nous appliquons cette méthode à un mécanisme inédit en 8 étapes pour la synthèse de la glycine, découverte dans notre laboratoire grâce à une simulation de métadynamique. Nous combinons notre cadre initial avec des potentiels machine learning pour générer de nouvelle données, réduisant le coût de la simulation par un facteur 10. Dans un troisième temps, nous explorons l'utilisation potentielle des modèles non-Markoviens pour l'inférence cinétique dans les réactions chimiques. Nous abordons les défis restants pour l'application agnostique de ces outils et démontrons leur fiabilité dans l'inférence des taux cinétiques en utilisant des coordonnées réactionnelles heuristiques. Dans l'ensemble, cette thèse souligne l'intégration des outils computationnels avancés dans la chimie prébiotique. En combinant la dynamique moléculaire ab initio, les techniques d'échantillonnage avancées, la dynamique non-Markovienne et les potentiels machine learning, nous fournissons un cadre complet pour explorer et étudier les réactions prébiotiques. Les méthodologies et résultats présentés offrent de nouvelles perspectives sur la première synthèse de molécules organiques simples et ouvrent la voie à de futures recherches sur les origines de la vie et sur l'inférence de la cinétique des réactions chimiques en solution.