Analitik Kimyada Sudaki Çözünürlük: Termodinamik Temeller, Hidrasyon Dinamikleri ve Kavramsal Analiz

1. Giriş

Suyun evrensel çözücü (universal solvent) olarak tanımlanması, kimya biliminin en temel ve en dikkat çekici olgularından birini ifade etmektedir. İki hidrojen ve bir oksijen atomundan ibaret olan bu küçük molekül, iyonik bileşiklerden polar organik moleküllere kadar son derece geniş bir yelpazede maddeleri çözebilme kapasitesine sahip bulunmaktadır. Analitik kimya açısından çözünürlük, gravimetrik ve volumetrik analizlerden kromatografik ayırma tekniklerine, çevre analitiğinden ilaç geliştirme süreçlerine kadar pek çok alanda belirleyici bir parametredir. Çözünürlük olgusunun tam olarak kavranabilmesi; termodinamik dengelerin, moleküler etkileşimlerin, hidrasyon kabuk yapılarının ve entropi-entalpi dengesinin bütüncül bir perspektifle incelenmesini gerektirmektedir.

2. Bilimsel Açıklama ve Güncel Bulgular

2.1. Suyun Moleküler Yapısı ve Çözücü Kapasitesinin Temelleri

Su molekülü ( $H_{2} O$ ), 104,5° bağ açısına sahip bükülmüş bir geometri sergilemektedir. Oksijen atomunun yüksek elektronegatifliği ( $χ = 3, 44$ ) nedeniyle O–H kovalent bağlarında elektron yoğunluğu oksijen tarafına doğru kaymakta ve molekülde kalıcı bir dipol moment ( $μ = 1, 85 D$ ) meydana gelmektedir. Bu dipol karakter, su moleküllerinin birbirleriyle ve çözünen türlerle güçlü elektrostatik etkileşimler kurmasının temelini oluşturmaktadır.

Sıvı hâlde her su molekülü ortalama olarak yaklaşık dört hidrojen bağı ile komşu moleküllere bağlanmakta ve bu bağlar yaklaşık tetrahedral bir düzenleme sergilemektedir^[1]. Ab initio kuantum mekaniksel/moleküler mekanik simülasyonları, zaman ortalaması alındığında bu sayının dört civarında olduğunu, ancak anlık değerin yaklaşık 2,8’e düştüğünü ortaya koymuştur^[2]. Hidrojen bağının enerjisi yaklaşık 20 kJ/mol civarında ölçülmekte olup bu değer, kovalent bağlardan (200–400 kJ/mol) çok daha zayıf, ancak van der Waals etkileşimlerinden (0,4–4 kJ/mol) önemli ölçüde güçlüdür. Hidrojen bağlarının bu “orta şiddette” konumlanması, suyun hem yeterli yapısal düzen kurabilecek hem de bu düzeni dinamik biçimde yeniden organize edebilecek esnekliğe sahip olmasını sağlamaktadır.

Chaplin’in kapsamlı analizine göre, suyun hidrojen bağ kuvveti yaşam için uygunluk açısından dar bir pencere içinde konumlanmaktadır: bu bağlar biraz daha güçlü olsaydı su cam benzeri bir yapıda donuklaşacak, biraz daha zayıf olsaydı oda sıcaklığında gaz hâlinde bulunacaktı^[3]. Hidrojen bağı kuvvetinin %10’dan az olarak bile değiştirilmesi, suyun fiziksel ve kimyasal özelliklerini kökten değiştirmekte ve biyolojik süreçlerin işleyişini imkânsız kılmaktadır^[4].

2.2. Çözünme Sürecinin Termodinamik Çerçevesi

Bir maddenin suda çözünmesi, üç temel adımdan oluşan karmaşık bir termodinamik süreçtir:

Adım 1 — Çözünen-çözünen etkileşimlerinin kırılması: Katı bir iyonik bileşikte kristal örgü enerjisinin (Ayrıştırılamadı (sözdizim hatası): {\textstyle U_{örgü}} ) aşılması gerekmektedir. Bu adım endotermiktir ( $Δ H > 0$ ). Örneğin NaCl için örgü enerjisi 786 kJ/mol, $C a C l_{2}$ için ise 2.523 kJ/mol’dür. Moleküler bileşiklerde ise kırılması gereken etkileşimler van der Waals kuvvetleri ve dipol-dipol etkileşimleridir.

Adım 2 — Çözücü-çözücü etkileşimlerinin kısmen kırılması: Su molekülleri arasındaki hidrojen bağlarının bir kısmının bozularak çözünen türe yer açılması gerekmektedir. Bu adım da endotermiktir.

Adım 3 — Çözünen-çözücü etkileşimlerinin kurulması (hidrasyon/solvasyon): İyonlar veya polar moleküller ile su molekülleri arasında iyon-dipol veya dipol-dipol etkileşimlerinin oluşması ekzotermik bir süreçtir ( $Δ H_{h i d r a s y o n} < 0$ ).

Çözünmenin termodinamik uygunluğu, Gibbs serbest enerji değişimi ile belirlenmektedir:

Ayrıştırılamadı (sözdizim hatası): {\displaystyle \Delta G_{çöz} = \Delta H_{çöz} - T\Delta S_{çöz} }

Ayrıştırılamadı (sözdizim hatası): {\textstyle \Delta G_{çöz} < 0} olduğunda çözünme termodinamik olarak elverişlidir ve madde çözünür niteliktedir. Burada dikkat çekici olan husus, pek çok iyonik bileşiğin çözünmesinin endotermik olmasına rağmen (Ayrıştırılamadı (sözdizim hatası): {\textstyle \Delta H_{çöz} > 0} ) gerçekleşmesidir. Sodyum klorürün suda çözünmesi bunun klasik bir örneğidir: çözelti sıcaklığı düşmekte ( $Δ H > 0$ ), ancak entropi artışı ( $Δ S > 0$ ) yeterince büyük olduğu için $Δ G$ negatif kalmakta ve çözünme entropik olarak sürüklenmektedir^[5]. Buna karşılık $C a C l_{2}$ ’nin çözünmesinde $Δ H$ negatif, $Δ S$ hafifçe negatif olup büyük negatif $Δ H$ değeri nedeniyle $Δ G$ yine negatif olmaktadır ve bu bileşik 595 g/L gibi çok yüksek bir çözünürlüğe sahip bulunmaktadır^[6].

2.3. Çözünürlük Çarpımı Sabiti ( $K_{s p}$ ) ve Analitik Uygulamaları

Az çözünür iyonik bileşiklerin doymuş çözeltilerinde, çözünmemiş katı faz ile çözelti fazındaki iyonlar arasında dinamik bir denge kurulmaktadır. Genel formülü $A_{m} B_{n}$ olan bir bileşik için:

$A_{m} B_{n} (k) ⇌ m A^{n +} (s u d a) + n B^{m -} (s u d a)$

$K_{s p} = [A^{n +}]^{m} \cdot [B^{m -}]^{n}$

$K_{s p}$ değeri, belirli bir sıcaklıkta az çözünür bir tuzun doymuş çözeltisindeki iyon derişimlerinin çarpımını ifade etmektedir ve sıcaklığa bağlıdır. Van’t Hoff denklemi aracılığıyla bu sıcaklık bağımlılığı incelenmektedir:

Ayrıştırılamadı (sözdizim hatası): {\displaystyle \ln K_{sp} = -\frac{\Delta H°}{R} \cdot \frac{1}{T} + \frac{\Delta S°}{R} }

Analitik kimyada $K_{s p}$ değerleri; gravimetrik analizlerde çöktürme koşullarının optimize edilmesinde, kalitatif analiz şemalarında iyon ayırmalarının planlanmasında ve çevresel numunelerde ağır metal iyonlarının dağılımının öngörülmesinde merkezi bir rol üstlenmektedir. Ortak iyon etkisi, $K_{s p}$ dengesinin pratik uygulamalarından biridir: çözeltide çözünen tuzun iyonlarından birinin zaten mevcut bulunması, Le Chatelier ilkesi gereği dengeyi çökelme yönüne kaydırmakta ve çözünürlüğü azaltmaktadır. Örneğin baryum sülfatın ( $K_{s p} = 1, 1 \times 1 0^{- 10}$ ) 0,020 M sodyum sülfat çözeltisindeki çözünürlüğü, saf sudakine kıyasla birkaç mertebe düşmektedir^[7].

$K_{s p}$ değerlerinin deneysel belirlenmesinde günümüzde çeşitli yaklaşımlar uygulanmaktadır. Karlsruhe Teknoloji Enstitüsü’nde (KIT) 2024 yılında geliştirilen bir yöntemde, titrasyon deneylerinden elde edilen pH verilerinin termodinamik denge modelleriyle birleştirilmesiyle, literatürde bulunmayan az çözünür tuzların $K_{s p}$ değerlerinin hızlı ve güvenilir biçimde belirlenebileceği gösterilmiştir^[8]. Bu yaklaşımda pH’ın reaktan oranının fonksiyonu olarak ölçülmesi ve elde edilen verilerin sıvı faz türleşmesi ile katı-sıvı dengesi modelleriyle eşleştirilmesi esasına dayanılmaktadır^[9].

Bununla birlikte $K_{s p}$ hesaplamalarından elde edilen çözünürlük tahminlerinin, gerçek çözünürlük değerleriyle her zaman örtüşmediği uzun zamandır bilinen bir sorundur. Tamamlanmamış ayrışma, hidroliz tepkimeleri, kompleks iyon oluşumu, iyon çifti oluşumu ve aktivite katsayılarının etkisi, basit $K_{s p} = S^{2}$ veya $K_{s p} = 4 S^{3}$ hesaplamalarını en iyi ihtimalle kaba yaklaşımlar hâline getirmektedir^[10].

2.4. İyon Hidrasyon Kabuklarının Yapısı ve Dinamiği

Bir iyonun suda çözünmesi sırasında, iyon etrafında düzenli bir su molekülü kabuğu oluşturulmaktadır. Bu “hidrasyon kabuğu” yapısı, iyonun yükü ve boyutuna bağlı olarak karakteristik özellikler sergilemektedir. Küçük ve yüksek yüklü katyonlar (örneğin $L i^{+}$ , $M g^{2 +}$ ) etrafında sıkı düzenlenmiş birinci hidrasyon kabukları meydana gelmekte, büyük ve düşük yüklü iyonlar (örneğin $C s^{+}$ ) ise çevrelerindeki su yapısını daha az etkilemektedir.

Shi, Cooper ve Tanaka’nın 2023 yılında Nature Communications’ta yayımlanan çalışması, iyon hidrasyonunun iyon-spesifik karakterini açıklayan öncü bir model sunmuştur^[11]. Bu çalışmada, iyon-su elektrostatik etkileşimleri ile sular arası hidrojen bağlanması arasındaki rekabeti karakterize eden yeni bir uzunluk ölçeği ( $λ_{H B} (q)$ ) tanımlanmıştır. İyon boyutu ve yükünün belirli kombinasyonlarında, hidrasyon kabuğunun bağ-yönelimsel düzeninin (bond-orientational order) son derece geliştiği tespit edilmiş ve bu düzenlenmenin, iyonlar etrafındaki su moleküllerinin kalış süresini ana grup iyonları için 11 mertebe değiştirebildiği gösterilmiştir^[12]. Bu bulgu, çözünürlük dinamiklerinin anlaşılması açısından kritik öneme sahiptir; zira hidrasyon kabuğunun kararlılığı, iyonların çözelti içindeki davranışını ve dolayısıyla çözünürlük dengesini doğrudan etkilemektedir.

Bull-Vulpe ve arkadaşlarının 2024 yılında J. Phys. Chem. B’de yayımlanan çalışmasında, alkali metal iyonlarının ( $L i^{+}$ , $N a^{+}$ , $K^{+}$ , $R b^{+}$ , $C s^{+}$ ) su hidrasyon yapısı üzerindeki etkisi MB-nrg potansiyel enerji fonksiyonları kullanılarak incelenmiştir^[13]. Sonuçlar, tüm alkali metal iyonlarının çevreleyen su moleküllerinin hidrojen bağ ağı üzerinde son derece yerel bir etkiye sahip olduğunu, en küçük ve en yoğun yüklü $L i^{+}$ iyonunun en belirgin etkiyi gösterdiğini ortaya koymuştur^[14]. Bu “yerellik” bulgusu, çözünürlüğü etkileyen iyon-su etkileşimlerinin temelde birinci hidrasyon kabuğuyla sınırlı kaldığını düşündürmektedir.

$M g^{2 +}$ ’nin ikinci hidrasyon kabuğunun yapısı üzerine 2024 yılında gerçekleştirilen makine öğrenme moleküler dinamik simülasyonları, ilk kabuğun ötesindeki iyon-su ve hidrojen bağı etkileşimlerinin rekabetine yeni bir bakış açısı kazandırmıştır^[15]. SCAN fonksiyoneli kullanıldığında, zayıflatılmış hidrojen bağı etkileşiminin $M g^{2 +}$ ’nin ikinci kabuk su yeniden yönelimi üzerinde yavaşlatıcı bir etki gösterdiği belirlenmiştir. Derişim artırıldığında ise $C l^{-}$ iyonlarının $M g^{2 +}$ ’nin ikinci hidrasyon kabuğuna girerek hidrasyon sayısını azalttığı gözlemlenmiştir^[16].

2024 yılında Nature Communications’ta yayımlanan çığır açıcı bir çalışmada, tek bir su molekülünün manipüle edilmesiyle NaCl filminden tek bir iyonun kontrollü olarak çözünmesi başarılmıştır^[17]. Taramalı tüneleme mikroskobu (STM) ve yoğunluk fonksiyonel teorisi (DFT) hesaplamaları kullanılarak gerçekleştirilen bu çalışmada, su molekülünün dipol momentinin klorür anyonunu polarize ettiği, bunun iyonik bağları zayıflattığı ve başlangıç aşamasında seçici anyon çözünmesine yol açtığı gösterilmiştir^[18]. Anyonun katyondan daha yüksek polarize edilebilirliğe sahip olması, bu seçici çözünmenin temel mekanizması olarak belirlenmiştir.

2.5. Hidrofobik Etkileşimler ve Apolar Çözünürlük

Apolar maddelerin sudaki düşük çözünürlüğü, uzun süre yalnızca çözünen-çözücü etkileşimlerinin zayıflığına atfedilmişse de gerçek mekanizma çok daha karmaşıktır. Apolar bir molekül su içine girdiğinde, çevresindeki su molekülleri enerji düşürücü polar veya hidrojen bağı etkileşimleri kuramadıkları bu molekülün etrafında yeniden düzenlenmekte ve kendi aralarındaki hidrojen bağlanmasını maksimize eden bir “kafes benzeri” kabuk yapısı (clathrate-like cage) oluşturmaktadır^[19]. Bu düzenlenme, enerjetik açıdan iyon-su etkileşimlerinin yokluğunu büyük ölçüde telafi etmektedir; ancak bu son derece organize su kabuğu, sistemin entropisini önemli ölçüde azaltmakta ve bu da çözünürlüğü sınırlandırmaktadır^[20].

Apolar maddelerin çözünürlüğü iki ana faktörün dengesine bağlıdır: su içinde kavite oluşumu nedeniyle meydana gelen dışlanan hacim entropi değişimi ve doğrudan çözünen-çözücü van der Waals etkileşimleri^[21]. Birinci faktör yalnızca çözünen boyutuna bağlı olup apolar parçacıkların sudaki düşük çözünürlüğüne yol açmaktadır. Ancak çözünürlük, doğrudan çözünen-çözücü etkileşimlerinin kuvveti tarafından da belirlenmektedir. Küçük moleküller için çözücü katkısı negatif iken, büyük moleküller (adamantan, fulleren) için pozitif olmaktadır^[22].

2.6. Çözünürlüğü Etkileyen Faktörler

Sıcaklık: Çoğu katı bileşik için sıcaklık artışı çözünürlüğü artırmaktadır; çünkü yüksek sıcaklık kristal örgünün parçalanmasını kolaylaştırarak çözünenin çözeltiye geçişini hızlandırmaktadır^[23]. Ancak bu ilişki evrensel değildir: bazı bileşikler ( $C e_{2} (S O_{4})_{3}$ gibi) artan sıcaklıkla azalan çözünürlük sergilemektedir. Sıcaklığın çözünürlüğe etkisi, çözünme reaksiyonunun entalpisi tarafından yönetilmektedir.

pH: İyonlaşabilir bileşiklerin çözünürlüğü pH’a güçlü biçimde bağımlıdır. Zayıf asitlerin iyonlaşmamış formlarının çözünürlüğü düşük pH’ta daha yüksekken, tuz formlarının çözünürlüğü farklı bir pH profiline sahiptir. İç çözünürlük (intrinsic solubility), bir iyonlaşabilir molekülün iyonlaşmamış formunun doymuş çözeltideki derişimi olarak tanımlanmakta olup ilaç biyoyararlanımının değerlendirilmesinde kritik bir parametredir^[24].

Ortak iyon etkisi: Çözeltide zaten mevcut bulunan bir iyonun, az çözünür tuzun çözünürlüğünü azaltması $K_{s p}$ dengesinin doğal bir sonucudur.

Kompleksleşme: Kompleks iyon oluşumu, normalde az çözünür bileşiklerin çözünürlüğünü dramatik biçimde artırabilmektedir. Örneğin gümüş klorür ( $K_{s p} = 1, 8 \times 1 0^{- 10}$ ), amonyak çözeltisinde $[A g (N H_{3})_{2}]^{+}$ kompleksi oluşturarak çok daha yüksek çözünürlük sergilemektedir.

2.7. Yapay Zekâ ve Makine Öğrenme ile Çözünürlük Tahmini

Çözünürlüğün hesaplamalı yöntemlerle öngörülmesi, ilaç geliştirme, çevre kimyası ve malzeme bilimi için büyük önem taşımaktadır. Son yıllarda bu alanda makine öğrenme ve derin öğrenme yöntemleri hızla gelişmektedir.

2024 yılında Llompart ve arkadaşları Scientific Data dergisinde yayımladıkları kapsamlı çalışmada, 20 yılı aşkın bir sürede yayımlanan çözünürlük veri setlerini ve modellerini incelemiş, mevcut en gelişmiş modellerin bile prospektif kullanımda güvenilir sonuçlar veremediğini göstermiştir^[25]. Bu çalışmada, yeni derlenmiş bir çözünürlük veri seti üzerinde kıyaslanan güncel modellerin düşük performans sergilediği raporlanmıştır. Araştırmacılar, bu tutarsızlıkların kökeninde iyi tanımlanmış bir uygulanabilirlik alanının eksikliği ve tarihsel veri kaynaklarının göz ardı edilmesi bulunduğunu vurgulamışlardır^[26].

Graf sinir ağları (GNN), çözünürlük tahmini alanında özellikle umut vadeden bir yaklaşım olarak öne çıkmaktadır. 2024 yılında Ahmad ve arkadaşları, artık geçitli graf sinir ağı konvolüsyonu (RGNN) tabanlı SolPredictor modelini geliştirmiştir^[27]. Bu model, 17.826 veri noktası içeren birleştirilmiş bir veri seti üzerinde eğitilmiş olup moleküllerin graf yapısal temsillerinden doğrudan öğrenme gerçekleştirmektedir^[28].

Ramani ve Karmakar’ın 2024 yılında J. Chem. Theory Comput.’ta yayımlanan çalışmasında, çözünen-çözücü etkileşimlerini Gasteiger yükleri aracılığıyla yakalayan “MolMerger” yöntemi geliştirilmiştir^[29]. Bu yaklaşım, moleküller arasındaki en güçlü polar etkileşimleri içeren bir graf temsili oluşturmakta ve sinir ağı bu grafik yapıdan çözünürlüğü öğrenmektedir. Geleneksel yöntemlerin aksine, pahalı kuantum kimyasal hesaplamalara veya deneysel fiziksel özelliklere ihtiyaç duymamaktadır^[30].

2025 yılında yayımlanan fizik temelli çözünürlük tahmin yöntemlerinin kapsamlı bir derlemesinde, hesaplamalı kimya yöntemlerinin önemli ilerlemeler kaydettiği ve birbirinden farklı tekniklerin doğru tahminler sunabildiği belirtilmektedir^[31]. Fizik temelli yöntemlerin veri güdümlü yöntemlere göre belirgin bir avantajı, açıkça tanımlanmış kuramsal temellere sahip olması ve kimyasal ve süreç optimizasyonu için zengin yapısal ve termodinamik veri sağlayabilmesidir^[32].

Nature Communications’ta yayımlanan çok çözücülü çözünürlük tahmin çalışmasında, makine öğrenme ile hesaplamalı kimyanın birleştirilmesiyle organik çözücülerde ve suda çözünürlük tahmini için başarılı bir yaklaşım raporlanmıştır^[33]. Bu modeller, eğitim verisindeki beklenen gürültü düzeyine yakın doğruluk ( $LogS \pm 0, 7$ ) elde etmiş ve farklı çözücülerdeki çözünürlük ile moleküler özellikler arasındaki fizikokimyasal ilişkileri yeniden üretmiştir^[34].

2.8. Analitik Yöntemlerle Çözünürlük Tayini

Deneysel çözünürlük ölçümü yöntemlerinin doğruluğu, hesaplamalı modellerin geliştirilmesi ve doğrulanması açısından kritik önemdedir. En yaygın kullanılan yöntemler arasında çalkalamalı balon (shake-flask) yöntemi ve CheqSol yöntemi bulunmakta olup bunların deneysel tekrar edilebilirlik hatası yaklaşık $\pm 0, 17$ log birimi düzeyindedir^[35]. Yüksek verimli tarama (high-throughput screening) yöntemleri ise DMSO stok çözeltilerinden sulu ortama seyreltme esasına dayanmakta, ancak DMSO’nun bazı bileşiklerin çözünürlüğünü değiştirerek yanıltıcı sonuçlara yol açabildiği bilinmektedir^[36].

Lazer nefelometri, 96 kuyucuklu plakalarda hızlı çözünürlük taraması için geliştirilmiş bir yöntemdir ve HPLC ile eşdeğer sonuçlar ürettiği gösterilmiştir^[37]. Atom absorpsiyon spektroskopisi ve iyon kromatografisi gibi enstrümantal teknikler ise $K_{s p}$ belirlemesi için iyon derişimlerinin hassas ölçümünde kullanılmaktadır.

Noyes-Whitney denklemi, çözünme hızı ile çözünürlük arasındaki ilişkiyi tanımlamaktadır:

$\frac{d C}{d t} = \frac{D \cdot A}{L} (C_{s} - C)$

Burada $D$ difüzyon katsayısı, $A$ kristal yüzey alanı, $L$ difüzyon tabakası kalınlığı, $C_{s}$ doygunluk derişimi ve $C$ anlık çözelti derişimidir. Bu denklem, çözünme hızı ile çözünürlük arasındaki doğrudan orantıyı matematiksel olarak ifade etmektedir^[38].

3. Kavramsal Analiz

3.1. Nizam, Gaye ve Sanat Analizi

Suyun çözücü kapasitesinin incelenmesi, son derece dikkat çekici bir hassas ayar tablosunu gözler önüne sermektedir. Bu hassas ayarın boyutları şöyle özetlenebilir:

Su molekülündeki 104,5°’lik bağ açısı, $1, 85$ D dipol momentini meydana getirmektedir. Bu açının birkaç derece değişmesi bile dipol momenti kayda değer biçimde etkileyecek ve suyun çözücü kapasitesini kökten değiştirecektir. Tetrahedral geometriye yakın ancak tam olarak tetrahedral olmayan bu bağ açısının, hem yeterli dipol moment üretecek hem de etkin bir hidrojen bağ ağı kurulmasına olanak tanıyacak biçimde ayarlanmış olması dikkat çekicidir.

Hidrojen bağının kuvvet aralığının, yaşamın ve çözünürlük kimyasının gerektirdiği dar pencereye tam olarak denk gelmiş olması düşündürücüdür. Chaplin’in tespitlerine göre, suyun hidrojen bağ kuvvetindeki %10’dan az değişim bile suyun sıvı hâlde var olma koşullarını, çözücü özelliklerini ve biyolojik uygunluğunu ortadan kaldırabilmektedir^[39]. Yaklaşık 20 kJ/mol’lük bu enerji değeri, hem yapısal düzen kuracak kadar güçlü hem de dinamik yeniden düzenlenmeye izin verecek kadar esnek bir aralıkta konumlanmaktadır.

İyon hidrasyonunda gözlemlenen hiyerarşik düzenlenme de ayrıca dikkat çekici bir tertip sergilemektedir. Shi ve arkadaşlarının^[40] gösterdiği üzere, belirli iyon boyutu-yük kombinasyonlarında hidrasyon kabuğunun bağ-yönelimsel düzeni son derece gelişmekte ve su moleküllerinin kalış süresi 11 mertebe değişebilmektedir. Böylesine geniş bir dinamik aralığın, spesifik iyon-su etkileşim parametreleri tarafından hassas biçimde kontrol ediliyor olması, bu etkileşimlerin arkasında sistematik bir düzenleme bulunduğunu düşündürmektedir.

Tek bir su molekülünün tek bir iyonu seçici biçimde çözmesi olgusu^[41], çözünmenin atomik ölçekteki inceliğini somut biçimde ortaya koymaktadır. Anyonun katyondan farklı olarak seçici çözünmesi, polarize edilebilirlik farklılığından kaynaklanmakta olup bu fark, tam olarak iyonik bağ zayıflatmasına yol açacak düzeyde ayarlanmıştır.

3.2. İndirgemeci ve Materyalist Safsataların Eleştirisi

Çözünürlük olgusunun açıklanmasında yaygın olarak kullanılan bazı ifadeler, gerçek nedensellik ilişkisini gizleyen dilsel kısayollar içermektedir.

“Su iyonları çözer” ifadesi: Bu cümle, suya aktif bir faillik (agency) atfetmektedir. Gerçekte çözünme, iyon-dipol etkileşim enerjisinin kristal örgü enerjisini aşması ve entropik katkının bu dengeyi desteklemesiyle meydana gelen bir süreçtir. Su “çözmez”; belirli enerjetik ve entropik koşullar sağlandığında çözünme gerçekleşir. Su molekülü, önceden belirlenmiş elektrostatik parametrelere sahip bir araçtır; ancak bu parametreleri kendisi belirlememiştir.

“Benzer benzeri çözer” (like dissolves like) kuralı: Bu ampirik genelleme, çözünürlüğün yalnızca polarite benzerliğiyle belirlendiği izlenimini yaratmaktadır. Gerçekte çözünürlük; kristal örgü enerjisi, hidrasyon entalpisi, entropi değişimi ve sıcaklığın karmaşık etkileşiminin bir sonucudur. NaCl’nin suda çözünmesinin entropik olarak sürüklenen bir süreç olması, $C a C l_{2}$ ’nin çözünmesinin ise entalpik olarak sürüklenmesi, “benzer benzeri çözer” kuralının çözünürlüğün gerçek termodinamik belirleyicilerini ne denli basitleştirdiğini göstermektedir.

“Entropi düzensizlik yaratır” ifadesi: Çözünme sürecinde entropi değişimi genellikle “düzensizlik artışı” olarak tanımlanmaktadır. Ancak gerçekte durum bundan çok daha karmaşıktır. Çözünen katının iyonlara ayrışması entropiyi artırırken, bu iyonlar etrafında düzenli hidrasyon kabukları oluşturulması entropiyi azaltmaktadır. NaCl çözünmesinde net entropi artışı gözlemlenirken, $C a C l_{2}$ çözünmesinde entropi hafifçe azalmaktadır^[42]. Entropi kavramının salt “düzensizlik” olarak sunulması, bu ince dengelerin gözden kaçırılmasına yol açmaktadır. Entropi bir “güç” değildir; enerji dağılımının istatistiksel bir ölçüsüdür ve çözünme yönünü belirleyen, entropinin kendisi değil Gibbs serbest enerji dengesinin sonucudur.

Doğa yasalarının “yönetici” olarak sunulması: “Termodinamik yasaları çözünürlüğü yönetir” veya “Le Chatelier ilkesi dengeyi kaydırır” gibi ifadeler, betimleyici yasaları kurucu ilkeler gibi sunmaktadır. Termodinamik yasalar, gözlemlenen ilişkileri matematiksel olarak tanımlamakta; ancak bu ilişkilerin neden var olduğunu açıklamamaktadır. $Δ G = Δ H - T Δ S$ denklemi, çözünürlüğün koşullarını betimlemektedir; fakat entalpi, entropi ve sıcaklık arasındaki bu spesifik matematiksel ilişkinin neden bu formda kurulmuş olduğu, yasanın kendisiyle açıklanamaz. Betimleyici ile kurucu arasındaki bu ayrımın göz ardı edilmesi, yasalara ontolojik bir güç atfedilmesine ve gerçek nedensellik sorularının üzerinin örtülmesine yol açmaktadır.

3.3. Hammadde ve Sanat Ayrımı Analizi

Çözünürlük olgusu, hammadde ile sanat arasındaki ayrımın kimya bilimindeki en çarpıcı örneklerinden birini sunmaktadır.

Hammadde: Bir hidrojen atomu ( $H$ ) ve bir oksijen atomu ( $O$ ), bireysel olarak incelendiğinde çözücülük özelliği taşımamaktadır. Atomik hidrojen yanıcı bir gazdır; atomik oksijen güçlü bir oksitleyicidir. Bu iki element, ayrı ayrı ele alındığında, ne dipol moment ne polar yapı ne de hidrojen bağ kurma kapasitesi sergilemektedir.

Sanat: İki hidrojen ve bir oksijen atomu $H_{2} O$ molekülü olarak birleştirildiğinde, hammaddede hiçbir şekilde var olmayan bütüncül özellikler ortaya çıkmaktadır: 1,85 D dipol moment, tetrahedral hidrojen bağ ağı kurma kapasitesi, 100°C kaynama noktası (molekül ağırlığına göre beklenen -80°C yerine), iyonik ve polar maddeleri çözebilme yeteneği ve hidrofobik etkileşimler aracılığıyla apolar maddeleri “dışlayabilme” kapasitesi. Bu özelliklerin hiçbiri, bireysel atomlarda mevcut değildir.

Hidrasyon kabuğunun oluşumu bu ayrımı daha da derinleştirmektedir. Tek bir su molekülünün dipol momenti $1, 85$ D’dir; ancak birden fazla su molekülü bir iyon etrafında düzenlendiğinde, ortaya çıkan hidrasyon kabuğu yapısı, bireysel dipol momentlerin basit toplamından çok daha karmaşık ve işlevsel bir yapı sergilemektedir. Shi ve arkadaşlarının^[43] gösterdiği hiyerarşik dipolar düzenlenme —dipolar, öteleme ve bağ-yönelimsel düzenlerin eşzamanlı oluşumu— bireysel su moleküllerinde bulunmayan, ancak belirli iyon-su kombinasyonlarında ortaya çıkan bir kolektif davranıştır. 11 mertebe değişen su kalış süreleri, parçaların toplamından köklü biçimde farklı bir bütünün meydana geldiğinin doğrudan kanıtıdır.

Apolar çözünürlükte gözlemlenen “kafes benzeri” su yapısı da benzer bir durumu yansıtmaktadır. Bireysel su molekülleri böyle bir yapı oluşturma “talimatı” veya “bilgisi” taşımamaktadır; ancak apolar bir molekülün varlığında kendiliğinden düzenli bir kafes yapısı meydana gelmektedir^[44]. Hammaddede (bireysel su molekülü) bulunmayan bu organize tepki kapasitesinin nereden kaynaklandığı, yalnızca moleküler özelliklerin betimlenmesiyle tam olarak karşılanamayan bir sorudur.

Makine öğrenme modellerinin çözünürlük tahmininde karşılaştığı güçlükler de bu çerçevede anlamlıdır. 84.000’den fazla molekülün verisine rağmen mevcut modellerin prospektif tahminlerde yetersiz kalması^[45], çözünürlük olgusunun basit yapısal tanımlayıcılara indirgenemeyecek kadar çok katmanlı bir organizasyon içerdiğine işaret etmektedir. Çözünen-çözücü etkileşimlerinin, kristal yapının, hidrasyon dinamiklerinin ve entropi-entalpi dengesinin eşzamanlı olarak gözetilmesini gerektiren bu karmaşıklık, parçalardan bütüne geçişte ortaya çıkan yeni düzenleme katmanlarının varlığını teyit etmektedir.

4. Sonuç

Sudaki çözünürlük, analitik kimyanın temel taşlarından birini oluşturmakta ve incelendikçe derinleşen bir karmaşıklık ve düzen içermektedir. Suyun $1, 85$ D dipol momenti, 104,5° bağ açısı ve yaklaşık 20 kJ/mol’lük hidrojen bağ enerjisi, çözücülük işlevini yerine getirecek dar bir parametre penceresinde konumlanmaktadır. Bu parametrelerin birbirini tamamlayan bir uyum içinde bulunduğu, güncel araştırmalarla giderek daha belirgin hâle gelmektedir.

İyon hidrasyonunda gözlemlenen hiyerarşik düzenleme, tek molekül düzeyinde gösterilen seçici çözünme mekanizması, apolar maddelerin çevresinde kendiliğinden oluşan kafes yapıları ve entropi-entalpi dengesindeki ince ayarlar, çözünürlük olgusunun basit bir fiziksel karışma sürecinden çok daha öte bir organizasyon içerdiğini ortaya koymaktadır. İki basit atomun ( $H$ ve $O$ ) birleşiminden, evrensel çözücü özelliğine sahip bir molekülün meydana gelmesi; bireysel parçalarda bulunmayan dipol moment, hidrojen bağ ağı ve hidrasyon kabuğu gibi işlevsel özelliklerin ortaya çıkması, hammadde ile sanat arasındaki farkın kimya bilimindeki en temel tezahürlerinden birini oluşturmaktadır.

Makine öğrenme ve yapay zekâ destekli güncel çözünürlük tahmin modelleri, onlarca yıllık çabaya ve milyonlarca veri noktasına rağmen hâlâ deneysel doğruluğa tam olarak ulaşamamakta; bu durum, çözünürlüğün arkasındaki düzenleme katmanlarının tam olarak kavranmasının güçlüğüne tanıklık etmektedir.

Suyun dar bir parametre penceresinde konumlanan fiziksel özelliklerinin, iyonik ve polar maddeleri çözebilme kapasitesiyle bütünleşmesi; bu kapasitenin yaşamın kimyasal altyapısı için vazgeçilmez olması; ve tüm bunların bireysel atomların özelliklerinden türetilemeyen bütüncül bir organizasyona dayanması — bu deliller bütünü ışığında nihai karar, okuyucunun kendi aklına ve vicdanına bırakılmaktadır.

Kaynakça

↑ Chaplin, M. (2024). Hydrogen bonding in water. Water Structure and Science. https://www.lsbu.ac.uk/water
↑ Chaplin, M. (2024). Hydrogen bonding in water. Water Structure and Science. https://www.lsbu.ac.uk/water
↑ Chaplin, M. (2007). Water’s hydrogen bond strength. arXiv preprint, arXiv:0706.1355.
↑ Chaplin, M. (2007). Water’s hydrogen bond strength. arXiv preprint, arXiv:0706.1355.
↑ Chemistry LibreTexts. (2022). Gibbs energy and solubility. CLUE: Chemistry, Life, the Universe and Everything, Chapter 6.4.
↑ Chemistry LibreTexts. (2022). Gibbs energy and solubility. CLUE: Chemistry, Life, the Universe and Everything, Chapter 6.4.
↑ Purdue University. (2024). Solubility product constants. General Chemistry Help. https://www.chem.purdue.edu/gchelp
↑ Müller, T., et al. (2024). Fast method to determine solubility products of sparingly soluble salts by combining titration experiments and thermodynamic modeling. Industrial & Engineering Chemistry Research, 63(32), 14333–14351.
↑ Müller, T., et al. (2024). Fast method to determine solubility products of sparingly soluble salts by combining titration experiments and thermodynamic modeling. Industrial & Engineering Chemistry Research, 63(32), 14333–14351.
↑ Meites, L., et al. (1998). The Ksp-solubility conundrum. Journal of Chemical Education, 75(9), 1182.
↑ Shi, R., Cooper, A. J., & Tanaka, H. (2023). Impact of hierarchical water dipole orderings on the dynamics of aqueous salt solutions. Nature Communications, 14, 4616.
↑ Shi, R., Cooper, A. J., & Tanaka, H. (2023). Impact of hierarchical water dipole orderings on the dynamics of aqueous salt solutions. Nature Communications, 14, 4616.
↑ Bull-Vulpe, E. F., et al. (2024). Molecular insights into the influence of ions on the water structure. I. Alkali metal ions in solution. The Journal of Physical Chemistry B, 128(8), 1953–1962.
↑ Bull-Vulpe, E. F., et al. (2024). Molecular insights into the influence of ions on the water structure. I. Alkali metal ions in solution. The Journal of Physical Chemistry B, 128(8), 1953–1962.
↑ Qiu, Y., et al. (2024). Second hydration shell of Mg²⁺: Competition between ion–water interaction and hydrogen bonding interaction. The Journal of Physical Chemistry Letters, 15, 503–509.
↑ Qiu, Y., et al. (2024). Second hydration shell of Mg²⁺: Competition between ion–water interaction and hydrogen bonding interaction. The Journal of Physical Chemistry Letters, 15, 503–509.
↑ Kim, J., et al. (2024). Controlled dissolution of a single ion from a salt interface. Nature Communications, 15, 2401.
↑ Kim, J., et al. (2024). Controlled dissolution of a single ion from a salt interface. Nature Communications, 15, 2401.
↑ Chemistry LibreTexts. (2022). Thermodynamics of solutions. Chem1 (Lower), Chapter 8.02.
↑ Chemistry LibreTexts. (2022). Thermodynamics of solutions. Chem1 (Lower), Chapter 8.02.
↑ Skóra, T., et al. (2020). Influence of ionic strength on hydrophobic interactions in water: Dependence on solute size and shape. The Journal of Physical Chemistry B, 124(51), 11631–11645.
↑ Skóra, T., et al. (2020). Influence of ionic strength on hydrophobic interactions in water: Dependence on solute size and shape. The Journal of Physical Chemistry B, 124(51), 11631–11645.
↑ University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.
↑ University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.
↑ Llompart, P., Minoletti, C., Baybekov, S., Horvath, D., Marcou, G., & Varnek, A. (2024). Will we ever be able to accurately predict solubility? Scientific Data, 11, 303.
↑ Llompart, P., Minoletti, C., Baybekov, S., Horvath, D., Marcou, G., & Varnek, A. (2024). Will we ever be able to accurately predict solubility? Scientific Data, 11, 303.
↑ Ahmad, W., Tayara, H., Shim, H., & Chong, K. T. (2024). SolPredictor: Predicting solubility with residual gated graph neural network. International Journal of Molecular Sciences, 25(2), 715.
↑ Ahmad, W., Tayara, H., Shim, H., & Chong, K. T. (2024). SolPredictor: Predicting solubility with residual gated graph neural network. International Journal of Molecular Sciences, 25(2), 715.
↑ Ramani, V., & Karmakar, T. (2024). Graph neural networks for predicting solubility in diverse solvents using MolMerger incorporating solute–solvent interactions. Journal of Chemical Theory and Computation, 20(15), 6549–6558.
↑ Ramani, V., & Karmakar, T. (2024). Graph neural networks for predicting solubility in diverse solvents using MolMerger incorporating solute–solvent interactions. Journal of Chemical Theory and Computation, 20(15), 6549–6558.
↑ University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.
↑ University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.
↑ Vermeire, F. H., et al. (2020). Machine learning with physicochemical relationships: Solubility prediction in organic solvents and water. Nature Communications, 11, 5590.
↑ Vermeire, F. H., et al. (2020). Machine learning with physicochemical relationships: Solubility prediction in organic solvents and water. Nature Communications, 11, 5590.
↑ Llinas, A., Oprisiu, I., & Avdeef, A. (2020). Findings of the second challenge to predict aqueous solubility. Journal of Chemical Information and Modeling, 60(10), 4791–4803.
↑ University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.
↑ Bérenger, S., et al. (2000). A high-throughput screening method for the determination of aqueous drug solubility using laser nephelometry in microtiter plates. Analytical Chemistry, 72(7), 1510–1514.
↑ University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.
↑ Chaplin, M. (2007). Water’s hydrogen bond strength. arXiv preprint, arXiv:0706.1355.
↑ Shi, R., Cooper, A. J., & Tanaka, H. (2023). Impact of hierarchical water dipole orderings on the dynamics of aqueous salt solutions. Nature Communications, 14, 4616.
↑ Kim, J., et al. (2024). Controlled dissolution of a single ion from a salt interface. Nature Communications, 15, 2401.
↑ Chemistry LibreTexts. (2022). Gibbs energy and solubility. CLUE: Chemistry, Life, the Universe and Everything, Chapter 6.4.
↑ Shi, R., Cooper, A. J., & Tanaka, H. (2023). Impact of hierarchical water dipole orderings on the dynamics of aqueous salt solutions. Nature Communications, 14, 4616.
↑ Chemistry LibreTexts. (2022). Thermodynamics of solutions. Chem1 (Lower), Chapter 8.02.
↑ Llompart, P., Minoletti, C., Baybekov, S., Horvath, D., Marcou, G., & Varnek, A. (2024). Will we ever be able to accurately predict solubility? Scientific Data, 11, 303.

[1] Chaplin, M. (2024). Hydrogen bonding in water. Water Structure and Science. https://www.lsbu.ac.uk/water

[2] Chaplin, M. (2024). Hydrogen bonding in water. Water Structure and Science. https://www.lsbu.ac.uk/water

[3] Chaplin, M. (2007). Water’s hydrogen bond strength. arXiv preprint, arXiv:0706.1355.

[4] Chaplin, M. (2007). Water’s hydrogen bond strength. arXiv preprint, arXiv:0706.1355.

[5] Chemistry LibreTexts. (2022). Gibbs energy and solubility. CLUE: Chemistry, Life, the Universe and Everything, Chapter 6.4.

[6] Chemistry LibreTexts. (2022). Gibbs energy and solubility. CLUE: Chemistry, Life, the Universe and Everything, Chapter 6.4.

[7] Purdue University. (2024). Solubility product constants. General Chemistry Help. https://www.chem.purdue.edu/gchelp

[8] Müller, T., et al. (2024). Fast method to determine solubility products of sparingly soluble salts by combining titration experiments and thermodynamic modeling. Industrial & Engineering Chemistry Research, 63(32), 14333–14351.

[9] Müller, T., et al. (2024). Fast method to determine solubility products of sparingly soluble salts by combining titration experiments and thermodynamic modeling. Industrial & Engineering Chemistry Research, 63(32), 14333–14351.

[10] Meites, L., et al. (1998). The Ksp-solubility conundrum. Journal of Chemical Education, 75(9), 1182.

[11] Shi, R., Cooper, A. J., & Tanaka, H. (2023). Impact of hierarchical water dipole orderings on the dynamics of aqueous salt solutions. Nature Communications, 14, 4616.

[12] Shi, R., Cooper, A. J., & Tanaka, H. (2023). Impact of hierarchical water dipole orderings on the dynamics of aqueous salt solutions. Nature Communications, 14, 4616.

[13] Bull-Vulpe, E. F., et al. (2024). Molecular insights into the influence of ions on the water structure. I. Alkali metal ions in solution. The Journal of Physical Chemistry B, 128(8), 1953–1962.

[14] Bull-Vulpe, E. F., et al. (2024). Molecular insights into the influence of ions on the water structure. I. Alkali metal ions in solution. The Journal of Physical Chemistry B, 128(8), 1953–1962.

[15] Qiu, Y., et al. (2024). Second hydration shell of Mg²⁺: Competition between ion–water interaction and hydrogen bonding interaction. The Journal of Physical Chemistry Letters, 15, 503–509.

[16] Qiu, Y., et al. (2024). Second hydration shell of Mg²⁺: Competition between ion–water interaction and hydrogen bonding interaction. The Journal of Physical Chemistry Letters, 15, 503–509.

[17] Kim, J., et al. (2024). Controlled dissolution of a single ion from a salt interface. Nature Communications, 15, 2401.

[18] Kim, J., et al. (2024). Controlled dissolution of a single ion from a salt interface. Nature Communications, 15, 2401.

[19] Chemistry LibreTexts. (2022). Thermodynamics of solutions. Chem1 (Lower), Chapter 8.02.

[20] Chemistry LibreTexts. (2022). Thermodynamics of solutions. Chem1 (Lower), Chapter 8.02.

[21] Skóra, T., et al. (2020). Influence of ionic strength on hydrophobic interactions in water: Dependence on solute size and shape. The Journal of Physical Chemistry B, 124(51), 11631–11645.

[22] Skóra, T., et al. (2020). Influence of ionic strength on hydrophobic interactions in water: Dependence on solute size and shape. The Journal of Physical Chemistry B, 124(51), 11631–11645.

[23] University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.

[24] University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.

[25] Llompart, P., Minoletti, C., Baybekov, S., Horvath, D., Marcou, G., & Varnek, A. (2024). Will we ever be able to accurately predict solubility? Scientific Data, 11, 303.

[26] Llompart, P., Minoletti, C., Baybekov, S., Horvath, D., Marcou, G., & Varnek, A. (2024). Will we ever be able to accurately predict solubility? Scientific Data, 11, 303.

[27] Ahmad, W., Tayara, H., Shim, H., & Chong, K. T. (2024). SolPredictor: Predicting solubility with residual gated graph neural network. International Journal of Molecular Sciences, 25(2), 715.

[28] Ahmad, W., Tayara, H., Shim, H., & Chong, K. T. (2024). SolPredictor: Predicting solubility with residual gated graph neural network. International Journal of Molecular Sciences, 25(2), 715.

[29] Ramani, V., & Karmakar, T. (2024). Graph neural networks for predicting solubility in diverse solvents using MolMerger incorporating solute–solvent interactions. Journal of Chemical Theory and Computation, 20(15), 6549–6558.

[30] Ramani, V., & Karmakar, T. (2024). Graph neural networks for predicting solubility in diverse solvents using MolMerger incorporating solute–solvent interactions. Journal of Chemical Theory and Computation, 20(15), 6549–6558.

[31] University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.

[32] University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.

[33] Vermeire, F. H., et al. (2020). Machine learning with physicochemical relationships: Solubility prediction in organic solvents and water. Nature Communications, 11, 5590.

[34] Vermeire, F. H., et al. (2020). Machine learning with physicochemical relationships: Solubility prediction in organic solvents and water. Nature Communications, 11, 5590.

[35] Llinas, A., Oprisiu, I., & Avdeef, A. (2020). Findings of the second challenge to predict aqueous solubility. Journal of Chemical Information and Modeling, 60(10), 4791–4803.

[36] University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.

[37] Bérenger, S., et al. (2000). A high-throughput screening method for the determination of aqueous drug solubility using laser nephelometry in microtiter plates. Analytical Chemistry, 72(7), 1510–1514.

[38] University of St Andrews & PMC. (2025). Physics-based solubility prediction for organic molecules. Journal of Chemical Theory and Computation. PMC12355698.

[39] Chaplin, M. (2007). Water’s hydrogen bond strength. arXiv preprint, arXiv:0706.1355.

[40] Shi, R., Cooper, A. J., & Tanaka, H. (2023). Impact of hierarchical water dipole orderings on the dynamics of aqueous salt solutions. Nature Communications, 14, 4616.

[41] Kim, J., et al. (2024). Controlled dissolution of a single ion from a salt interface. Nature Communications, 15, 2401.

[42] Chemistry LibreTexts. (2022). Gibbs energy and solubility. CLUE: Chemistry, Life, the Universe and Everything, Chapter 6.4.

[43] Shi, R., Cooper, A. J., & Tanaka, H. (2023). Impact of hierarchical water dipole orderings on the dynamics of aqueous salt solutions. Nature Communications, 14, 4616.

[44] Chemistry LibreTexts. (2022). Thermodynamics of solutions. Chem1 (Lower), Chapter 8.02.

[45] Llompart, P., Minoletti, C., Baybekov, S., Horvath, D., Marcou, G., & Varnek, A. (2024). Will we ever be able to accurately predict solubility? Scientific Data, 11, 303.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

[31]

[32]

[33]

[34]

[35]

[36]

[37]

[38]

[39]

[40]

[41]

[42]

[43]

[44]

[45]