Using NMR to predict molecular reactivity

《Chem》：Using NMR to predict molecular reactivity

　　

整体图景

对于许多化学家而言，化学结构是事实上用于合理且直观地将分子信息与化学行为联系起来的标准表示方法。这种联系促进了控制，使我们能够根据结构扰动设计具有特定功能的物质并避免危险。然而，化学家经常承认将化学结构与行为相关联的局限性，因为行为往往无法仅通过结构来解释。如果结构不足以理解和控制化学行为，那么新的表示方法可能带来新的理解，从而实现创新。

本研究使用核磁共振（NMR）光谱信息来预测分子反应性（最高占据分子轨道 [HOMO] 与最低未占据分子轨道 [LUMO] 之间的能隙），该方法不需要预先了解化学结构或电荷信息。虽然NMR通常与化学结构解析同义，但NMR光谱包含了丰富的局部电子环境信息。我们利用NMR化学位移信息来推导出一组化学上直观的特征。使用这些特征开发的机器学习模型能够预测计算和实验NMR化学位移的HOMO-LUMO能隙。该方法在两个数据集中得到了验证，涵盖从数千到超过100,000个有机小分子。对特征和最佳性能模型的可解释性分析表明，基于NMR的表示方法可用于合理预测化学行为，并最终用于设计具有预期化学行为的分子。

亮点

•

NMR光谱与化学反应性之间的直观关系

•

从NMR光谱中挖掘结构解析之外的知识

•

化学上可解释的特征捕捉局部和全局电子密度

•

不依赖结构和电荷的预测模型

摘要

七十多年来，核磁共振（NMR）光谱一直被用于解析化学结构。虽然将NMR信息与结构合理关联占主导地位，但少数研究者探索了直接使用NMR信息预测化学行为。在此，我们展示了NMR光谱可以在不知晓分子结构的情况下，以合理、直观和可推广的方式大规模预测分子反应性。将¹H和¹³C NMR化学位移视为分布中的值（即获取描述性统计量如最大值、均值或偏度），我们生成了具有物理意义的NMR特征。仅使用八个特征，我们训练了机器学习模型，使用计算和实验NMR光谱预测最高占据分子轨道与最低未占据分子轨道之间的能隙（ΔE）。这些结果表明，控制化学行为的分子性质可以合理且直观地与NMR光谱中的信息联系起来。

图形摘要