Mapeamento de oportunidades · 2025

O que propor como pesquisa —
moléculas, lacunas e estratégia

Síntese das oportunidades identificadas para aplicação do workflow MC/DFT (DICE+Gaussian) em moléculas de interesse clínico com cobertura insuficiente na literatura, com referências e justificativas para a reunião com o orientador.

Método base: MC sequencial + DFT / DICE + Gaussian Referência validada: Pinheiro & Costa, J. Mol. Struct. 2024 Compilado em: Maio 2025

Por que MC/DFT explícito ainda é relevante

Existe uma tendência clara de ML potentials no campo, mas o nicho específico do seu método — efeitos locais de primeira camada de solvatação em moléculas biologicamente relevantes — permanece sem substituto confiável. O argumento não é "baixo custo computacional"; é precisão onde outros métodos falham.

🎯
PCM subestima interações locais
Para moléculas com múltiplos sítios de HB (catecolaminas, indóis, aminoácidos), solvente implícito dá uma imagem incompleta dos shifts vibracionais — confirmado pela literatura recente de 2025.
⚡
ML ainda não tem dados suficientes
Treinar um ML potential para um novo sistema requer centenas de milhares de cálculos DFT de referência. Para moléculas novas, MC/DFT continua sendo o caminho viável.
📐
Lacuna específica documentada
Nenhuma das moléculas candidatas abaixo tem cobertura pelo método MC + DFT com shell estatística de solvatação — o que é exatamente o que o grupo já sabe fazer.

Moléculas com lacuna real na literatura

Quatro candidatas identificadas por varredura da literatura. Ordenadas por prioridade considerando relevância clínica, tamanho da lacuna e facilidade de extensão a partir do trabalho publicado.

L-DOPA (Levodopa)
L-3,4-dihidroxifenilalanina · Parkinson · fármaco de primeira linha
★ Prioridade 1 Lacuna alta Catecol + aminoácido Raman · UV-Vis
▼
Por que é relevante

Principal fármaco do Parkinson há mais de 50 anos. O monitoramento de seus níveis em fluidos biológicos é problema analítico aberto. Possui grupo catecol idêntico à EP/NP mais um grupo carboxílico e amino — três sítios de ligação de hidrogênio com o solvente.

O que existe na literatura

Estudos focam no estado sólido cristalino (DFT periódico) ou fase gasosa. O trabalho de Araújo et al. (2020) analisa propriedades do cristal. Um estudo de 2019 faz DFT com clusters de apenas 10 moléculas de água posicionadas manualmente — sem estatística MC.

Lacuna exata: Nenhum trabalho aplica simulação Monte Carlo + DFT para obter a shell de solvatação estatística da L-DOPA em água e calcular shifts Raman por ligação de hidrogênio — a metodologia que você já tem validada para EP/NP.
Extensão natural

O grupo catecol é o mesmo da EP/NP — os shifts esperados no catecol serão diretamente comparáveis. A novidade fica por conta do grupo α-amino ácido, que adiciona um zwitteríon em solução, tornando a comparação PCM vs. explícito ainda mais argumentável.

Melatonina
N-acetil-5-metoxitriptamina · hormônio do sono · neuroprotetor
★ Prioridade 1 Lacuna alta Grupo indol + amida Raman · UV-Vis
▼
Por que é relevante

Hormônio com funções no ritmo circadiano, neuroproteção e atividade antioxidante. Alvo de pesquisa em Alzheimer, Parkinson e distúrbios do sono. Alta demanda por métodos analíticos em solução aquosa — os sítios de HB do grupo amida e da hidroxila do indol tornam o PCM particularmente inadequado.

O que existe na literatura

O estudo de Engberg et al. (J. Phys. Chem. B, 2025) usa DM com ML para interações com membranas lipídicas. O estudo de solvatação em água de Guo et al. (2021) usa dinâmica molecular ab initio — sem análise vibracional estatística, sem comparação PCM vs. explícito, sem RDF/MDDF.

Lacuna exata: Inexistência de estudo com shell de solvatação estatística (MC) + Raman/UV-Vis por DFT em água para melatonina. O grupo indol tem características eletrônicas que tornam a comparação CAM-B3LYP vs. B3LYP especialmente interessante para UV-Vis.
Diferencial adicional

O grupo indol absorve fortemente no UV — UV-Vis via TD-DFT seria uma extensão natural e de alto impacto, com dados experimentais abundantes para comparação. CAM-B3LYP, que você já usa, é o funcional padrão para transições de carga longa distância presentes no indol.

Serotonina
5-hidroxitriptamina (5-HT) · humor · Parkinson · depressão
Prioridade 2 Lacuna moderada Indol + amina Raman · UV-Vis
▼
Por que é relevante

Neurotransmissor com papel central em humor, sono, cognição e motricidade. Monitorado em diagnóstico de tumores neuroendócrinos (carcinoide). Estruturalmente semelhante à melatonina — os dois poderiam compor um único estudo comparativo.

O que existe na literatura

O que existe é quase todo SERS em nanopartículas de prata (Manciu et al., 2017; Eremina et al., 2023) — não solvatação em água livre. DFT em fase gasosa e PCM implícito. Nenhum estudo com abordagem MC + shell estatística de solvatação.

Estratégia sugerida: Estudar serotonina e melatonina no mesmo trabalho — ambas têm grupo indol, a comparação é cientificamente rica e o esforço computacional é dividido. Seria o primeiro estudo sistemático MC/DFT desse par em água.
GABA
Ácido γ-aminobutírico · principal inibidor do SNC
Prioridade 3 Zwitteríon em água Caso PCM vs. explícito
▼
Por que é interessante

GABA existe como zwitteríon em solução aquosa — o PCM é reconhecidamente inadequado para zwitteríons porque não capta a estabilização assimétrica das cargas. Isso torna o argumento pela solvatação explícita especialmente forte e direto.

O que existe na literatura

Estudos com clusters de 8–10 moléculas de água posicionadas manualmente, sem amostragem estatística MC. A diferença metodológica é clara e argumentável.

Argumento forte: GABA é o caso mais didático para mostrar por que PCM falha — o zwitteríon tem carga separada estabilizada por HB assimétrico, algo que solvente contínuo não descreve. Um artigo focado nessa comparação metodológica teria apelo além da espectroscopia.

UV-Vis via TD-DFT — extensão natural pelo mesmo Gaussian

UV-Vis computacional é feito pelo mesmo Gaussian com a keyword TD (Time-Dependent DFT). O workflow MC → shell → single point é idêntico ao do Raman — apenas a propriedade extraída muda.

Como funciona no Gaussian

Adicionar TD(NStates=20) na linha de rota calcula as 20 primeiras transições eletrônicas. O output entrega comprimentos de onda (nm), forças de oscilador e os orbitais HOMO→LUMO envolvidos. CAM-B3LYP é exatamente o funcional recomendado para UV-Vis — você já o usa.

Por que a solvatação explícita importa

Trabalho publicado no ChemRxiv (2024) mostra que águas explícitas em sítios de HB deslocam os comprimentos de onda em até 20 nm em relação ao PCM — diferença com impacto direto na comparação com dados experimentais. Mesmo argumento do seu artigo de Raman, aplicado ao UV-Vis.

Input exemplo

%chk=mol_td.chk
%mem=8GB
%nprocshared=8

# TD(NStates=20) CAM-B3LYP
/6-311++G(d,p)

Single point TD-DFT

0 1
[coordenadas da shell MC]

O que o pipeline automatizaria

Extração dos comprimentos de onda e forças de oscilador do .log, broadening Gaussiano para gerar o espectro UV-Vis simulado, comparação entre os três ambientes (in vacuo, PCM, explícito). cclib lê outputs TD-DFT da mesma forma que frequências vibracionais — o código do MVP 1 já cobre isso.


ML Potentials — horizonte, não ameaça imediata

É importante entender o movimento de ML para posicionar o seu trabalho corretamente na conversa com o orientador — sem ignorar a tendência, sem superestimar o impacto de curto prazo.

O que ML faz aqui

Aprende a superfície de energia potencial a partir de dados ab initio, permitindo MD muito mais rápida. Substitui o campo de força clássico do MC — não o cálculo DFT das propriedades espectrais. A etapa quântica (Gaussian) permaneceria necessária de qualquer forma.

Por que não é imediato para você

Treinar um ML potential para um sistema novo requer ~100.000 cálculos DFT de referência. Para moléculas nunca estudadas com esse método, o custo de entrada é proibitivo. MC clássico (DICE) continua sendo o caminho viável e publicável.

Onde o pipeline se encaixa

A arquitetura Python que estamos construindo pode incorporar ML potentials como motor de amostragem no futuro — substituindo o DICE como subprocess, mantendo tudo o mais igual. O investimento no pipeline não é perdido com a mudança de paradigma.

Argumento para o orientador

Seu nicho é "precisão local de primeira camada para moléculas biologicamente relevantes sem dados de ML disponíveis". Esse espaço é real, defensável e ainda produtivo por vários anos.


O que levar para a reunião

1ª
Proposta mais forte
L-DOPA ou melatonina com MC/DFT + análise Raman de shifts por HB. Extensão direta do artigo publicado, lacuna documentada, relevância clínica alta.
+1
Extensão de alto impacto
UV-Vis via TD-DFT no mesmo workflow MC. Mesmo Gaussian, mesmos métodos. Dois produtos espectrais (Raman + UV-Vis) de uma só simulação.
2×
Dois artigos por pesquisa
Artigo científico com os resultados espectrais + artigo de software descrevendo o pipeline automatizado. Estratégia de maximizar retorno de cada estudo.

Literatura de suporte com links

Referências consultadas neste mapeamento, organizadas por relevância para a proposta.