基于图神经网络与多目标遗传算法的可熔铸分子晶体逆向设计及性能空间搜索

《Digital Discovery》:A deep learning approach to searching property spaces of materials

【字体: 大 中 小 】 时间:2026年04月19日 来源:Digital Discovery 5.6

编辑推荐:

  针对可熔铸分子晶体实验数据稀缺且筛选标准严苛(Tm343–393 K, Td/Tb>453 K, Pv<0.0005 mmHg)的难题,本研究开发了多任务D-MPNN模型与Pareto-aware JANUS-GA算法,从130万已知分子中筛选出2532个候选物,并在CHNO空间生成55,745个新型虚拟分子,将候选库规模扩大了三个数量级,为含能材料及药物晶体的绿色制造提供了高效计算范式。

  
论文解读

背景:被“热稳定性”卡脖子的绿色制造技术

在制药、有机光伏和含能材料领域,熔铸(Melt-casting)是一种极具吸引力的绿色制造工艺。它无需溶剂、能直接成型复杂几何结构,且能减少缺陷——我们日常吃的布洛芬(ibuprofen)和对乙酰氨基酚(acetaminophen)就是通过熔铸改善了口感和释放速率的经典案例。
然而,这条路并不好走。一个分子要能被“安全地”熔铸,必须同时满足四个严苛的热力学“铁律”:
  1. 1.
    熔点(Tm)要适中:太低会提前融化,太高能耗大,通常锁定在 343–393 K(约70–120°C)。
  2. 2.
    不分解:分解温度(Td)必须远高于熔点,否则一加热就变质。
  3. 3.
    不沸腾:沸点(Tb)也要高,防止变成气体飞走。
  4. 4.
    低挥发:蒸汽压(Pv)要极低(<0.0005 mmHg),避免产生有毒烟雾。
遗憾的是,当我们翻遍PHYSPROP、Jean-Claude Bradley等大型数据库,筛遍130万个已知分子晶体后,发现同时满足这些条件的“天选之子”仅有43个。实验测量成本极高,且绝大多数分子在加热时不是分解就是挥发,这严重限制了熔铸技术的推广。

技术路线:当图神经网络遇上多目标进化算法

为了打破这一瓶颈,研究团队构建了一套“预测-筛选-生成”的闭环计算框架,核心由两大技术支柱支撑:
  1. 1.
    多任务图神经网络(MT D-MPNN):利用Chemprop框架,仅输入分子图(Graph)即可同时预测Tm、Tb、Td和logPv四个关键指标,解决了单一模型效率低的问题。
  2. 2.
    帕累托感知遗传算法(Pareto-aware JANUS-GA):基于SELFIES分子表示法,在CHNO化学空间内进行逆向设计,通过权衡“液态稳定区间(ΔTliq)”和“理想熔点偏差(ΔTim)”,自动进化出符合要求的新分子。

结果:从43到5万+的指数级突破

1. 模型验证:数据越少,误差越大
模型在Tb和Pv预测上表现优异(R2 > 0.9),Tm次之(R2 = 0.84)。由于实验数据极度匮乏,Td的预测精度最低(R2 = 0.56),但这并不妨碍它作为热稳定性的有效“指示剂”。
2. 已知库挖掘:沉睡的宝藏
用模型填补130万分子的数据空白后,筛选出2532个潜在可熔铸分子,数量级提升了近60倍。这意味着许多原本被忽略的分子可能是合格的原料。
3. 新分子创制:虚拟合成的胜利
通过遗传算法,团队生成了55,745个不在PubChem或CAS SciFinder中的全新虚拟分子。这些分子在ΔTliq(液态稳定区间)和Pv(蒸汽压)的帕累托前沿上表现优异,将候选空间扩大了三个数量级。

结论与意义

这项工作证明了“机器学习筛选+生成式设计”在材料科学中的巨大威力。它不再依赖试错式的实验,而是通过计算直接在海量化学空间中锁定目标。这不仅为含能材料(如炸药)和药物晶体的绿色加工提供了庞大的候选库,也为解决其他多约束条件下的材料设计难题(如有机半导体、电池材料)提供了可复制的计算范式。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号