We report a method to convert discrete representations of molecules to and from a multidimensional continuous representation. This model allows us to generate new molecules for efficient exploration and optimization through open-ended spaces of chemical compounds. A deep neural network was trained on hundreds of thousands of existing chemical structures to construct three coupled functions: an encoder, a decoder and a predictor. The encoder converts the discrete representation of a molecule into a real-valued continuous vector, and the decoder converts these continuous vectors back to discrete molecular representations. The predictor estimates chemical properties from the latent continuous vector representation of the molecule. Continuous representations allow us to automatically generate novel chemical structures by performing simple operations in the latent space, such as decoding random vectors, perturbing known chemical structures, or interpolating between molecules. Continuous representations also allow the use of powerful gradient-based optimization to efficiently guide the search for optimized functional compounds. We demonstrate our method in the domain of drug-like molecules and also in the set of molecules with fewer that nine heavy atoms.

Reaction of 2,3,6,7,10,11-hexaaminotriphenylene with Ni2+ in aqueous NH3 solution under aerobic conditions produces Ni3(HITP)2 (HITP = 2,3,6,7,10,11-hexaiminotriphenylene), a new two-dimensional metal–organic framework (MOF). The new material can be isolated as a highly conductive black powder or dark blue-violet films. Two-probe and van der Pauw electrical measurements reveal bulk (pellet) and surface (film) conductivity values of 2 and 40 S·cm–1, respectively, both records for MOFs and among the best for any coordination polymer.

Abstract The utility of metal–organic frameworks (MOFs) as functional materials in electronic devices has been limited to date by a lack of MOFs that display high electrical conductivity. Here, we report the synthesis of a new electrically conductive 2D MOF, Cu 3 (HITP) 2 (HITP=2,3,6,7,10,11‐hexaiminotriphenylene), which displays a bulk conductivity of 0.2 S cm −1 (pellet, two‐point‐probe). Devices synthesized by simple drop casting of Cu 3 (HITP) 2 dispersions function as reversible chemiresistive sensors, capable of detecting sub‐ppm levels of ammonia vapor. Comparison with the isostructural 2D MOF Ni 3 (HITP) 2 shows that the copper sites are critical for ammonia sensing, indicating that rational design/synthesis can be used to tune the functional properties of conductive MOFs.

Abstract Control over the architectural and electronic properties of heterogeneous catalysts poses a major obstacle in the targeted design of active and stable non-platinum group metal electrocatalysts for the oxygen reduction reaction. Here we introduce Ni 3 (HITP) 2 (HITP=2, 3, 6, 7, 10, 11-hexaiminotriphenylene) as an intrinsically conductive metal-organic framework which functions as a well-defined, tunable oxygen reduction electrocatalyst in alkaline solution. Ni 3 (HITP) 2 exhibits oxygen reduction activity competitive with the most active non-platinum group metal electrocatalysts and stability during extended polarization. The square planar Ni-N 4 sites are structurally reminiscent of the highly active and widely studied non-platinum group metal electrocatalysts containing M-N 4 units. Ni 3 (HITP) 2 and analogues thereof combine the high crystallinity of metal-organic frameworks, the physical durability and electrical conductivity of graphitic materials, and the diverse yet well-controlled synthetic accessibility of molecular species. Such properties may enable the targeted synthesis and systematic optimization of oxygen reduction electrocatalysts as components of fuel cells and electrolysers for renewable energy applications.

Electrically conductive metal–organic frameworks (MOFs) are emerging as a subclass of porous materials that can have a transformative effect on electronic and renewable energy devices. Systematic advances in these materials depend critically on the accurate and reproducible characterization of their electrical properties. This is made difficult by the numerous techniques available for electrical measurements and the dependence of metrics on device architecture and numerous external variables. These challenges, common to all types of electronic materials and devices, are especially acute for porous materials, whose high surface area make them even more susceptible to interactions with contaminants in the environment. Here, we use the anisotropic semiconducting framework Cd2(TTFTB) (TTFTB4– = tetrathiafulvalene tetrabenzoate) to benchmark several common methods available for measuring electrical properties in MOFs. We show that factors such as temperature, chemical environment (atmosphere), and illumination conditions affect the quality of the data obtained from these techniques. Consistent results emerge only when these factors are strictly controlled and the morphology and anisotropy of the Cd2(TTFTB) single-crystal devices are taken into account. Most importantly, we show that depending on the technique, device construction, and/or the environment, a variance of 1 or even 2 orders of magnitude is not uncommon for even just one material if external factors are not controlled consistently. Differences in conductivity values of even 2 orders of magnitude should therefore be interpreted with caution, especially between different research groups comparing different compounds. These results allow us to propose a reliable protocol for collecting and reporting electrical properties of MOFs, which should help improve the consistency and comparability of reported electrical properties for this important new class of crystalline porous conductors.

Abstract Current high-throughput screening assay optimization is often a manual and time-consuming process, even when utilizing design-of-experiment approaches. A cross-platform, Cloud-based Bayesian optimization-based algorithm was developed as part of the NCATS ASPIRE Initiative to accelerate preclinical drug discovery. A cell-free assay for papain enzymatic activity was used as proof-of-concept for biological assay development. Compared to a brute force approach that sequentially tested all 294 assay conditions to find the global optimum, the Bayesian optimization algorithm could find suitable conditions for optimal assay performance by testing only 21 assay conditions on average, with up to 20 conditions being tested simultaneously. The algorithm could achieve a seven-fold reduction in costs for lab supplies and high-throughput experimentation run-time, all while being controlled from a remote site through a secure connection. Based on this proof-of-concept, this technology is expected to be applied to more complex biological assays and automated chemistry reaction screening at NCATS, and should be transferable to other institutions.