编辑推荐：
为解决离子液体（ILs）和低共熔溶剂（DESs）等定制溶剂的 Kamlet-Taft 参数（α、β、π?）实验测定难题，研究人员开发两种机器学习（ML）算法，利用量子化学衍生特征预测参数。结果显示模型准确，还探讨参数与溶解木质素、CO?能力的关系，为设计高效溶剂提供指导。
在绿色化学与可持续发展的浪潮中，溶剂的极性调控成为工业应用的关键挑战。传统有机溶剂的毒性与挥发性对环境造成巨大负担，而离子液体（ILs）和低共熔溶剂（DESs）等新型 “定制溶剂” 因可设计性强、环境友好等特性崭露头角。然而，这些溶剂的极性表征依赖 Kamlet-Taft 参数（包括氢键酸度 α、碱度 β 和偶极极化率 π?），但 ILs 的离子对组合与 DESs 的氢键供体 / 受体对理论上无限多，实验测定参数耗时费力且成本高昂。如何快速准确预测这些参数，成为推动其在生物质转化、碳捕获等领域应用的核心瓶颈。
为突破这一困境，来自相关研究机构的科研团队在《Green Chemical Engineering》发表研究成果，聚焦于利用机器学习（ML）技术构建高效的 Kamlet-Taft 参数预测模型。研究旨在通过数据驱动的方法，解析溶剂分子结构与极性参数的内在关联，为定制溶剂的定向设计提供理论支撑。
关键技术方法
研究构建了包含 293 个有机溶剂、452 个 ILs 和 328 个 DESs 的 Kamlet-Taft 参数数据集，覆盖广泛的化学空间。采用导体样筛选模型（COSMO-RS）计算分子描述符，包括总相互作用能（total IE）、失配能（misfit energy）、氢键能（HB energy）、范德华能（vdW energy）、氢键受体矩（HB acceptor moments）、氢键供体矩（HB donor moments）和分子表面积（molecular surface area）。基于这些特征，开发了前馈神经网络（FFNN）模型，并通过 SHapley 加性解释（SHAP）分析揭示特征重要性。
研究结果
4.1 有机溶剂的化学空间分析
通过 t - 分布随机邻域嵌入（t-SNE）和 k-means 聚类分析，发现研究数据集覆盖的有机溶剂结构多样性显著高于文献报道，包含 6 个聚类的 290 余个样本，为模型训练提供了丰富的化学特征。
4.2 有机溶剂 Kamlet-Taft 参数的 ML 模型
对比多元线性回归（MLR）和 FFNN 模型发现，FFNN 模型对 α、β、π?的预测表现更优，测试集 R2 达 0.980-0.988，均方根误差（RMSE）仅 0.034-0.047。SHAP 分析表明，氢键供体矩、氢键能等是影响 α 的关键因素，而氢键受体矩对 β 的贡献最大，失配能和分子表面积则显著影响 π?。
4.3 定制溶剂（ILs 和 DESs）的 ML 模型
针对 ILs 和 DESs 分别开发模型，FFNN 模型在 ILs 测试集中的 R2 为 0.951（α）、0.983（β）、0.928（π?），在 DESs 中 R2 高达 0.983（α）、0.977（β）、0.995（π?）。化学空间分析显示，研究数据集的 ILs 和 DESs 结构覆盖范围远大于既往研究，模型通用性更强。SHAP 分析揭示，ILs 的 α 与氢键供体矩正相关，β 与氢键受体矩正相关；DESs 的 β 受氢键受体矩和范德华能主导，π?则与失配能和分子表面积密切相关。
4.4 与文献模型的对比
与传统 MLR 和 QSPR 模型相比，FFNN 模型在预测精度和数据覆盖范围上显著提升。例如，文献中有机溶剂 β 的 R2 为 0.63-0.919，而本研究达 0.986；ILs 的 π?预测在文献中 R2 仅 0.28-0.54，本研究提升至 0.928，凸显了深度学习在复杂体系中的优势。
4.5 Kamlet-Taft 参数在木质素和 CO?溶解中的应用
研究发现，溶剂的 β 值与木质素溶解度呈正相关：有机溶剂中高 β 的胺类溶剂促进脱木素，ILs 中阴离子烷基链延长导致 β 升高并增强木质素溶解，DESs 的 β-α 值与木质素溶解度线性相关。在 CO?溶解方面，DESs 的 β 与溶解度正相关，α 负相关，β-α 值可作为溶剂碱性的量化指标，指导 CO?捕获溶剂设计。
结论与意义
本研究通过整合量子化学描述符与机器学习，构建了首个涵盖有机溶剂、ILs 和 DESs 的 Kamlet-Taft 参数通用预测模型，突破了传统实验方法的局限。模型不仅实现了高准确度预测（R2>0.95），还通过 SHAP 分析揭示了氢键相互作用、分子表面积等关键影响因素。在应用层面，研究首次系统阐明了溶剂酸碱性（α/β）与木质素、CO?溶解能力的关联机制，为循环生物经济中高效溶剂的定向设计提供了 “数据 - 模型 - 应用” 的完整框架。该成果不仅推动了绿色溶剂在生物质转化和碳管理领域的实际应用，也为复杂化学体系的性质预测开辟了新的技术路径，展现了机器学习在化学工程与可持续发展中的巨大潜力。
