综述：基于集成自动机器学习和在线查询的有机荧光波长高精度预测

这篇综述推荐使用集成自动机器学习（AutoML）技术构建了包含24798种有机荧光化合物的数据库，通过加权集成模型（WeightedEnsemble_L2）实现了荧光最大发射波长（λem）的高精度预测（测试集MAE=10 nm），并结合SHAP分析揭示了关键分子描述符。研究部署了开源网络平台，为生物医学成像（bioimaging）、化学传感（chemical sensing）等领域提供了高效的数据驱动设计工具。

　　

Abstract

有机荧光分子在生物医学成像、化学传感和环境监测等领域应用广泛，但其发射波长（λ_em）的传统实验测定方法效率低下。本研究通过集成自动机器学习（AutoML）框架，构建了覆盖240-1200 nm波长范围的24798种有机荧光化合物数据库。基于AutoGluon平台开发的加权集成模型（WeightedEnsemble_L2）表现出最优性能，测试集平均绝对误差（MAE）为10 nm，与实验误差相当。SHAP可解释性分析揭示了6个关键分子描述符（如拓扑极性表面积、氢键供体数等），为分子工程提供了明确指导。研究成果已部署为开源网络平台，支持荧光探针的快速筛选与设计。

Introduction

有机荧光分子因其可调谐的光学性质和生物相容性，成为传感与成像的核心材料。尽管量子力学方法（如CASPT2、DFT）可用于预测λ_em，但其计算成本高昂且泛化能力有限。近年来，机器学习（ML）通过大数据分析为荧光材料设计提供了新范式，但传统ML模型存在特征选择依赖性强、可解释性差等问题。本研究通过AutoML技术实现了自动化特征优化与模型集成，显著提升了预测效率与精度。

Methods

采用AutoGluon框架进行自动化模型训练，从127组特征中筛选出包含9个关键描述符的最优组合（如拓扑指数、电子亲和能等）。模型性能通过决定系数（R²）和MAE评估，并结合SHAP方法解析特征贡献度。数据标准化过程中剔除了重复条目，确保数据集一致性。

Model Performance

加权集成模型（WeightedEnsemble_L2）在测试集上MAE为11 nm，优于其他子模型。关键描述符中，分子共轭长度与λ_em呈强正相关（R=0.82），而氢键数量则呈现负向调控。平台用户可通过输入SMILES分子式实时获取预测结果，加速荧光探针开发。

Conclusion

该工作通过AutoML实现了有机荧光波长的高通量预测，误差范围接近实验测量波动。SHAP分析表明，分子刚性增强和共轭扩展是红移λ_em的核心因素。开源平台的部署将推动数据驱动型荧光探针在疾病诊断（如肿瘤标记物检测）和环境污染物监测中的应用。

（注：全文严格基于原文缩编，未新增观点；专业术语如SHAP、λ_em等均按原文格式保留；去除了文献引用标识及图示标注）