基于自动化与机器学习的智能柱色谱预测模型：数据驱动分离化学新范式

（编辑推荐）本研究创新性地将自动化实验平台与量子几何图神经网络（QGeoGNN）结合，开发出可预测色谱保留行为的机器学习模型。通过引入分离概率（Sp）指标和迁移学习策略，系统解决了传统柱色谱（CC）依赖经验试错的痛点，为合成化学提供了可量化、可迁移的纯化设计工具。

　　

智能柱色谱预测模型：自动化与机器学习的融合突破

研究背景
柱色谱（CC）作为化学分离的核心技术，长期受制于经验依赖性强、重复性差等瓶颈。传统方法需要化学家通过大量试错优化条件，耗时耗力且难以标准化。随着人工智能（AI）在化学分析领域的快速发展，机器学习（ML）为色谱行为预测提供了新思路。本研究通过构建自动化实验平台与量子几何图神经网络（QGeoGNN）模型，首次实现了柱色谱分离参数的精准预测。

方法创新
研究团队自主搭建了包含泵送单元、进样器和紫外检测器的自动化平台，系统采集了4,684组标准化数据，覆盖218种化合物和7种洗脱比例。创新性地开发了QGeoGNN算法，该模型通过双图结构（原子-键图G和键-角图H）整合分子3D构象、16种物理化学描述符（如TPSA、LogP）和9维实验参数特征，并引入分位数学习技术量化预测不确定性。相比传统人工神经网络（ANN）和轻量梯度提升机（LGB），QGeoGNN在4g色谱柱数据集上表现出显著优势（R²达0.913）。

关键技术突破
迁移学习策略的运用解决了不同规格色谱柱（8g/25g/40g）的适配难题。通过微调预训练模型参数，模型在8g柱数据集上的R²从-0.093提升至0.759。更具里程碑意义的是提出的分离概率（S_p）指标，该指标基于90%和10%分位点计算洗脱体积重叠度，成功指导了克莱森重排反应等复杂体系的分离优化。实验验证显示，当石油醚/乙酸乙酯（PE/EA）=50/1时，S_p预测值为1.0，与实际分离结果完全吻合。

应用验证
模型在10类经典反应产物分离中展现出90%的准确率。以硝基还原反应（R1）为例，极性较大的产物先被洗脱，核磁共振（NMR）验证纯度>95%。对于无紫外吸收的化合物（如化合物L），模型仍能通过结构特征预测分离条件，经薄层色谱（TLC）验证分离效果良好。

局限与展望
当前模型在甲醇/三氯甲烷（MeOH/TCM）等洗脱体系的应用仍需扩展，温度效应和固定相动力学尚未纳入S_p计算框架。未来通过开源社区协作和更多数据积累，该框架有望成为合成化学AI辅助实验的通用模板。这项研究标志着色谱技术从"经验艺术"向"计算-实验"混合范式的转变，为分析科学领域知识驱动型机器学习提供了示范案例。

方法学细节
实验采用RDKit的ETKDGv3算法生成分子初始构象，经MMFF94力场优化后输入QGeoGNN。网络包含5层图同构卷积（GIC），节点嵌入维度128，批量大小2048。迁移学习采用0.0001的学习率逐步微调，有效避免了小数据集过拟合问题。