机器学习能否预测有机分子的空间群偏好?

《Crystal Growth & Design》:Can Machine Learning Predict the Space Group Preference of Organic Molecules?

【字体: 大 中 小 】 时间:2026年04月21日 来源:Crystal Growth & Design 3.4

编辑推荐:

  晶体结构预测(CSP)是指导材料发现的重要工具,但其高计算成本限制了广泛应用。为降低计算成本,研究人员尝试将机器学习模型应用于有机分子的空间群预测。他们利用剑桥结构数据库(CSD)中超过22万条数据,训练了随机森林(RF)和图神经网络(GNN)模型。研究发现,结合3D分子信息的GNN模型表现最佳,其单一空间群预测准确率达到47.2%,比基于已知空间群频率分布的参考基准提升了8.2%。该研究为通过缩小空间群搜索范围来降低CSP计算成本提供了一种有前景的新方法,有望在药物固态形式研发和材料发现中发挥作用。

  
在我们的日常生活中,从服用的药物到衣物中的染料色素,有机分子无处不在。这些材料通常由有机分子结晶形成的固体构成,而晶体的结构直接决定了材料的物理化学性质。令人惊讶的是,同一个分子可以形成不止一种稳定的晶体结构,这种现象被称为“多晶型”。不同晶型的物理化学性质可能天差地别:例如,多晶型会影响有机半导体的电荷传输性能,改变炸药的冲击感度,影响多孔固体的吸附能力,甚至决定药物的溶解速率。因此,预测一个分子可能形成的晶体结构,对于预见其多晶型现象和相关性质至关重要。
由此诞生的晶体结构预测(Crystal Structure Prediction, CSP)计算方法,是指导材料发现的有力工具。然而,CSP的广泛应用一直受到高计算成本的限制。降低计算成本的一种常见策略是限制生成晶体结构的搜索空间,即只在最常观测到的空间群(Space Group)中进行搜索。但这种方法带有固有的风险——可能恰好排除了正确的空间群,从而导致预测失败。为了在降低CSP计算成本和模糊性的同时,更明智地选择空间群集合,研究人员提出了一个关键问题:能否利用机器学习模型,根据分子的特征来预测其最可能“青睐”的空间群?
为了回答这个问题,研究人员开展了一项大规模研究。他们从剑桥结构数据库(Cambridge Structural Database, CSD)中收集了超过22万个有机分子的晶体结构数据,构建了两个版本的数据集:一个为每个分子只保留一种晶型(即一个空间群),另一个则保留具有不同空间群的所有晶型。研究人员利用这些数据训练了两种主流的机器学习模型:随机森林(Random Forest, RF)和图神经网络(Graph Neural Network, GNN)。
随机森林模型需要预先计算分子的特征。研究人员综合考虑了几何特征(如分子不对称性、偏心度、惯性矩比值、分子平面性等)、一般特征(分子量、原子数、环数等)和化学特征(18种常见官能团的计数,如醇、胺、羧酸等)。他们训练了多个RF模型,分别基于DFT(密度泛函理论)优化的分子几何构型、直接从晶体结构中提取的构型,以及包含所有多晶型的数据。结果显示,所有RF模型的预测准确率都远高于随机猜测,也优于单纯基于CSD中空间群总体频率进行选择的结果。其中,使用非优化几何构型的RF模型表现最好,其单一空间群(Top-1)预测准确率达到44.6%,比参考基准高出4.4个百分点。值得注意的是,当同时包含化学和几何特征时,RF模型的表现最佳,这表明两者对于定义分子的空间群偏好都至关重要。
为了探索更复杂的模型,研究人员转向了图神经网络。GNN的优势在于可以直接从分子图(Molecular Graph)中学习,分子图中的节点和边分别代表原子和化学键,并可以附带各种属性(如原子类型、电荷、键级、三维坐标等)。他们测试了四种GNN模型:GNN_1仅使用二维键合信息;GNN_2增加了三维原子坐标;GNN_3通过数据增强(分子旋转)来训练模型对旋转的不变性;GNN_4则使用了等变图神经网络(Equivariant GNN, EGNN)。结果令人印象深刻,其中GNN_2模型表现最为突出,其Top-1预测准确率达到47.2%,比参考基准高出8.2个百分点,Top-3和Top-5准确率也分别达到79.9%和90.1%。这表明,包含三维分子信息能显著提升模型的预测能力。然而,旨在解决模型对分子旋转/平移不变性的数据增强和等变模型,并未带来预期的性能提升,甚至有所下降。
这项研究的主要技术方法包括:1. 数据获取与处理:从剑桥结构数据库(CSD)中筛选并获取了超过22万条符合条件的有机分子晶体结构数据,并构建了平衡与非平衡数据集。2. 特征工程与模型训练:对于随机森林模型,使用RDKit等工具包计算了分子的几何、化学等数百个特征;对于图神经网络,则构建了包含原子、键属性及三维坐标的分子图。模型训练主要基于Scikit-learn(RF)和PyTorch Geometric(GNN)框架。3. 模型评估:采用Top-N(N=1,3,5,10)准确率作为核心评估指标,并与基于空间群已知统计分布的参考基准进行比较,以验证模型的有效性。
研究结果
随机森林模型
在非平衡数据集上,随机森林模型表现出了显著的预测能力。模型RF_A(使用优化几何构型)的Top-1准确率为41.93%,Top-3为75.66%,Top-5为87.75%,均优于参考基准。交叉验证结果表明,这种优势具有统计显著性,证明模型确实学习到了分子特征与空间群之间的真实关联。
特征消融研究表明,同时使用几何和化学特征的模型性能最优,去除任何一类特征都会导致准确率下降,印证了两类特征的重要性。此外,使用直接从晶体结构中提取的分子几何构型(RF_B模型)比使用优化构型(RF_A模型)准确率更高,这证实了晶体堆积对分子几何的细微影响对于空间群预测是有价值的信息。
平衡数据集下的随机森林
为了探究模型是否只是简单地学习了数据中的空间群频率分布,研究人员在平衡数据集(各空间群的样本数相同)上训练了RF模型。尽管由于数据量大幅减少,其绝对准确率较低,但模型表现仍显著优于随机猜测(例如,在25个空间群的平衡集上,Top-1准确率比随机高6.08%)。这强有力地证明,RF模型能够从分子特征中学习到具有预测性的映射关系,而不仅仅是记忆分布。
图神经网络模型
GNN模型展示了更强大的预测性能。仅使用二维键合信息的GNN_1模型,其准确率就已超过最佳的RF模型。当加入三维原子坐标信息后,GNN_2模型的性能得到进一步提升,Top-1准确率达到47.2%,比参考基准高出8.2%,是本研究中最优秀的模型。
然而,旨在使模型对分子旋转具有不变性的尝试(GNN_3和GNN_4)并未成功,其性能反而下降。这可能是因为庞大的数据集本身已足以让模型克服缺乏不变性的问题,或者数据增强和等变架构的引入反而使学习映射关系变得更加困难。
结论与意义
本研究系统探讨了机器学习预测有机分子空间群偏好的可行性。研究得出结论,无论是随机森林还是图神经网络模型,其预测准确率都远高于随机水平,并且优于仅依据空间群总体频率进行选择的基准方法。其中,结合了三维分子信息的图神经网络模型(GNN_2)取得了最佳性能,其单一空间群预测准确率达到了47.2%。
这项工作的意义在于,它为降低晶体结构预测(CSP)的计算成本提供了一条切实可行的新路径。通过机器学习模型预测出分子最可能“青睐”的几个空间群,CSP计算可以集中在这些空间群中进行,从而大幅缩小搜索空间,节省计算资源与时间。虽然当前模型的Top-1或Top-3准确率尚未达到足以确保预测所有潜在多晶型的高精度,但在需要快速筛选广阔化学空间的应用场景中(如高通量筛选或基于进化算法的材料发现),这些模型提供的预测信息已具有重要价值。在这些应用中,存在CSP结果的完整性与每个分子计算成本之间的权衡,而本研究的模型恰好有助于在可接受的成本下评估更多的候选分子。
总之,这项发表在《Crystal Growth & Design》上的研究证明,机器学习能够有效地从分子结构中捕捉到与晶体空间群偏好相关的复杂信息。这不仅是计算化学与机器学习交叉融合的一次成功实践,也为未来开发更高效、更智能的晶体预测与材料设计工具奠定了坚实的基础。
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