物理引导的多模态机器学习框架用于SAXS相位指认中的候选电子密度图评估

《Giant》：Physics-guided evaluation of candidate electron density maps for SAXS phase assignment using multimodal machine learning

　　

本研究开发了一个物理引导的多模态机器学习（multimodal machine learning）框架，整合了分子拓扑（molecular topology）、分子电子描述符（molecular electronic descriptors）、晶体学对称性（crystallographic symmetry）、小角X射线散射（small-angle X-ray scattering, SAXS）衍射特征以及重建的电子密度（electron density, ED）图。通过区分二维/三维（2D/3D）和中心对称/非中心对称系统中的电子密度图，实现了对候选相位指认的稳健物理合理性评估与排序。可解释性通过SHAP分析、SAXS峰注意力机制、分子图注意力机制以及梯度加权类激活映射（Grad-CAM）可视化提供，揭示了分子结构、衍射特征和电子密度形态之间的一致性。

一、研究背景与现存问题

分子自组装能够形成具有纳米至介观尺度结构有序性的多功能软材料，广泛应用于液晶（liquid crystals, LC）、嵌段共聚物、超分子组装体和多孔框架等领域。小角X射线散射（small-angle X-ray scattering, SAXS）是探测这类自组装材料层级结构的强有力技术。对于有序体系，衍射峰可根据已知的晶体学平面/空间群进行指标化，从而约束等效反射间的对称关系，进而通过对称性适配的傅里叶合成从相应结构因子重建电子密度（electron density, ED）分布。

然而，SAXS实验直接提供的仅为衍射强度 I(h)=|F(h)|²，而相位 φ(h) 无法直接测量。因此，不同的相位指认可以再现相同的实验衍射强度，却产生截然不同的实空间ED分布——这一歧义构成了衍射结构测定中著名的相位问题（phase problem）。现有方法虽包括傅里叶重建技术、直接法、最大熵法、物理指标法和电荷翻转算法等，但大多聚焦于衍射和晶体学约束，未显式纳入分子特异性信息如分子拓扑和电子特性，且不适用于从大量候选ED图中高通量筛选。

在实际应用中，傅里叶重建技术仍被广泛采用，此时相位指认依赖人工评估和筛选候选ED图，研究者需比较多个候选方案，选择与先验结构知识最一致的结果。这种专家引导的相位指认需要定性整合多种化学与物理判据，当候选ED图结构相似时难以标准化，且随候选数量增加人工比对愈发耗时费力，限制了其在高通量SAXS分析中的可扩展性。

为此，研究人员将SAXS相位指认重新定义为物理合理性评估问题，开发了一个物理引导的多模态机器学习（multimodal machine learning, ML）框架，对候选ED图进行评分，从而提供客观、数据驱动的策略，将SAXS测量与复杂自组装体系的实空间结构联系起来。

二、主要关键技术方法

研究人员构建了一个包含超过12000张候选ED图的数据集，涵盖二维（2D）和三维（3D）系统及多种晶体学平面/空间群（包括中心对称和非中心对称体系），并采用组别划分策略（group-wise splitting）按分子-空间群-SAXS数据集组合进行训练/验证/测试集划分（70/20/10），以避免数据泄露。主要技术方法包括：（1）原子-片段双层次分子拓扑编码：利用简化分子线性输入规范（Simplified Molecular Input Line Entry System, SMILES）字符串构建原子级和片段级图表示，并行应用两个图Transformer学习局部化学环境和全局结构基序，经全局注意力池化融合得到128维分子嵌入向量 Z_T；（2）分子电子描述符分支：计算22种理化描述符（涉及极性、电荷分布、氢键能力、柔性、芳香性、分子尺寸、电子云体积和形状等），经多层感知机（multilayer perceptron, MLP）处理得到16维电子表征 Z_E；（3）晶体学信息表征：综合空间/平面群标识符、晶系、点群、劳厄类、中心对称性、反演对称性、手性和对映体允许性等多维描述符，通过可训练的嵌入层映射为16维晶体学潜表征 Z_G；（4）SAXS衍射特征编码：对每个反射以[h,k,l,归一化强度,多重度,cosφ,sinφ]格式编码，经Transformer编码器生成32维衍射表征 Z_P；（5）ED图分支：将重建的2D或3D ED图表示为51×51×51规则体素网格，由3D卷积神经网络（convolutional neural network, CNN）提取结构特征得到128维ED图表征 Z_M。最终将五个分支的潜向量拼接为320维统一多模态表征，经融合MLP输出物理合理性评分 S∈[0,1]，以最高分候选作为最合理的相位解。

三、研究结果

2.2 模型性能评估：训练过程中R2值快速上升并逐渐收敛，最终训练集、验证集和测试集的R2分别为0.897、0.881和0.848。Top-k分析显示模型从Top-1到Top-5均保持高准确率，表明文献支持的相位指认可靠地排在前列。精确率-召回率曲线分析给出验证集和测试集的精确率-召回率曲线下面积（area under the precision-recall curve, AUPRC）分别为0.953和0.912。按3D/2D子集和中心对称/非中心对称子集分别分析的混淆矩阵显示，模型在所有子集中均保持高分类准确率（分别为0.978、0.978、0.976和0.989）。

2.3 中心对称结构的回顾性验证：以π/12分子的c2mm平面群体系为例，展示了2D ED图逐步评分和相位选择过程。模型在每个阶段都能有效区分不同0/π相位指认产生的ED图，例如初始阶段评分差异达0.933 vs 0.000，最终阶段正确识别0ππ0π000为最优解（S=0.977），而替代方案仅得0.015。对于3D体系，以1/18分子的Pm?m空间群为例，模型同样实现了渐进式高置信度筛选，最终候选0π0π获评0.971，而竞争方案仅0.179。

2.4 非中心对称结构的回顾性验证：以文献报道的A10/8分子I23空间群体系（未包含在训练数据集中）为例进行连续相位扫描。对(222)、(321)、(312)和(400)四个反射分别进行连续相位扫描，模型推荐的相位值分别为?0.32π、?0.85π、?0.56π和0.02π，与文献报道值（?0.24π、?0.91π、?0.59π和0）高度吻合，且两种相位组合产生高度一致的3D ED图和网络连通性。

2.5 模态消融分析：系统比较五种输入模态的不同组合发现，单独使用ED图模态（M）的R2仅为0.484，而完整五模态模型（TEGPM）达到最高的0.881。各模态角色各异：P和M提供候选相关的衍射和ED形态信息，T、E和G提供系统特定的分子和晶体学背景，其组合使候选特征能在对应分子和对称环境下被评估。

2.6 UMAP多模态潜空间分析：统一流形逼近与投影（Uniform Manifold Approximation and Projection, UMAP）可视化显示，融合多模态表征（TEGPM）比单一模态更清晰地区分正负候选。P模态虽能将正候选偏向右侧分布，但缺乏分子和晶体学背景导致不同系统的候选混杂；M模态能较好分离不同分子系统，但正负候选在同一簇内仍严重混合。

2.7 分子拓扑分析：原子级和片段级注意力权重揭示，模型选择性强调化学和结构相关区域，包括刚性π共轭或芳香片段、含O/S/Si的连接或支化位点、氟化亚结构以及决定侧链体积和支化的柔性臂，这与已知的结构-中间相关系一致。

2.8 SHAP分析：SHapley加法解释（SHapley Additive exPlanations, SHAP）分析表明，杂原子数、BalabanJ指数、Kappa3、Kappa2、分子量、氢键受体数、摩尔折射率和拓扑极性表面积（topological polar surface area, TPSA）是对模型输出贡献最大的描述符。

2.9 SAXS峰注意力分析：注意力权重随归一化散射矢量位置 q/q₀ 增大而普遍降低，表明模型倾向于赋予低角度反射更高重要性；而归一化强度与注意力的关系则呈现系统依赖性。

2.10 Grad-CAM可视化：梯度加权类激活映射（Gradient-weighted Class Activation Mapping, Grad-CAM）显示，ED图分支学习到了形态感知的表征，重点突出高/低电子密度区域及其空间组织，而非仅依赖全局强度模式。

2.11 SAXS扰动鲁棒性：随机强度噪声测试表明，模型在无噪条件下评分近1.0，30dB时几乎不变，20dB和10dB时分别降至0.747和0.527；中等反射强度偏差和有限去除高q反射影响较小，表明模型对中等SAXS不确定性具有容忍度。

四、讨论与结论

局限性：当前框架的性能依赖于文献导出训练数据集的多样性、平衡性和可靠性，对于训练中未充分代表的分子基序、晶体学平面/空间群或相互作用模式的预测可能不够可靠。此外，ED图重建本质上仍非唯一，可能因模糊、对称等价或近简并的相位解而产生不确定性。

结论：研究人员开发了一个物理引导的多模态机器学习框架用于自组装软材料的SAXS相位指认和ED图评估。该框架将相位确定问题重构为物理合理性排序任务，通过整合分子拓扑、分子电子描述符、晶体学对称性、SAXS衍射特征和重建ED图，构建了物理信息丰富的潜空间来评估竞争相位解。模型在多种2D和3D体系中展现出稳健性能和可靠的判别能力。消融和可解释性分析证实每种模态提供互补的物理信息，SHAP、注意力、图归因和Grad-CAM结果揭示模型捕捉到分子亚结构、相位敏感反射和ED形态之间的物理一致相关性。该框架以定量物理合理性评估取代主观视觉检查，实现了SAXS相位指认中ED图的自动化筛选，有望启发时间分辨与原位SAXS、跨领域泛化和不确定性感知生成建模等未来拓展方向。