驯服T-REX：一种用于过渡金属配合物几何感知生成设计的规范语言Trans-pair Relations EXpression（T-REX）

《Digital Discovery》：Taming T-REX: a canonical language for geometry-aware generative design of transition-metal complexes

　　

规范字符串表示革新了有机化学信息学，但过渡金属配合物（Transition-Metal Complexes, TMCs）尚缺乏能同时捕获配位几何、立体化学及给体拓扑（donor topology）的等效表示。研究人员提出Trans-pair Relations EXpression（T-REX），一种通过反位（trans）对映射编码几何、拓扑及金属中心手性（@/@@, Δ/Λ）的规范行注释（canonical line notation）。应用于tmQMg数据集中的63 375个DFT优化结构时，T-REX识别出五类不同的异构体——配位异构体、对映异构体、键合异构体（linkage）、半不稳定异构体（hemilabile）及几何异构体，并揭示晶体学数据中能发生立体异构的配合物仅有不足1.2％被解析为相应异构体。组合枚举将母体结构扩展为149 228个独特拓扑变体；模块化配体取代生成了数百万额外候选物。在一种仅含共价键基准模型及四种几何感知架构上的测试表明，编码T-REX配位映射持续提升了HOMO、LUMO、HOMO–LUMO gap及偶极矩的预测精度。偶极矩提升最显著（R2＝0.845 vs. 基线0.715），三种具直接配位球读出（direct coordination-sphere readout）且架构相异的模型达同等性能，证实驱动改进的是T-REX拓扑本身而非架构选择。几何感知模型仅需约四分之一训练数据即获同等精度，确立T-REX既是可互操作数据格式，也是过渡金属化学中适于机器学习的表示形式。

论文解读：Taming T-REX——过渡金属配合物的规范几何感知字符串表示法及其在机器学习与生成设计中的应用

研究背景与意义

有机小分子已有SMILES、InChI、SELFIES等规范字符串表示法（canonical string representation），可无缝嵌入化学信息学与机器学习（Machine Learning, ML）流程。然而过渡金属配合物（Transition-Metal Complexes, TMCs）因涉及多变配位数、多样配位几何（八面体、四面体、平面正方形等）、金属中心手性（Δ/Λ、@/@@）、多齿（polydentate）与夹心/ηⁿ配位（hapticity），以及丰富的配位异构现象，现有字符串方案无法在字符串层面规范区分几何与立体化学，常致不同异构体坍缩为同一字符串。此前m-SMILES、RACs（Representative Atomic-Covalent-Covalent-Covalent-Covalent, 配位配合物常用描述符）等方法或未实现完全规范化，或依赖三维坐标/量子化学计算，难以兼顾ML友好性与数据库键值唯一性。为消除ML训练中的重复偏倚、支撑异构体分辨预测及生成设计，研究人员开发了T-REX（Trans-pair Relations EXpression）——一种专为单核配位数≤7的TMC设计的规范行注释（canonical line notation），通过反位（trans）对映射与金属中心手性标记唯一编码配位拓扑与几何，并验证其在数据集整理、异构体枚举、配体置换生成及几何感知图神经网络（Graph Neural Network, GNN）性质预测中的价值。该工作发表于《Digital Discovery》。

主要关键技术方法

研究人员从tmQMg数据集（74 547个DFT优化TMC结构，PBE-D3BJ/def2-SVP几何，PBE0-D3BJ/def2-TZVP单点能）出发，建立XYZ→T-REX转换流水线：依键长推断金属—配体连接，用扩展Hückel法分配金属氧化态与配体电荷，molSimplify进行理想配位几何标注，据几何类型选最大位点—金属—位点夹角定trans对，余者为无trans伙伴的单点（singles）；组装含金属头块（元素、氧化态{OS}、可选自旋多重度[M]）、配体块（L=[smiles:SMILES_str,…]，按齿数/ηⁿ/给体原子序数等分级排序）及MAP块（trans对记为Li_a?Lj_b，单点记为Li_a，ηⁿ给体分组如(1_2,1_3)?2_1），附加可选几何标志（G:O等）与金属中心手性标志（@/@@或Δ/Λ，点手性由标量三重积判定，螺旋手性用于三双齿等八面体情形），最后执行规范算法（配体RDKit规范→重映射给体索引→层级排序→MAP字典序最小化）。异构体分类采用五级指纹逐级比较（组成→给体位点集→几何→MAP→手性）。配位异构体枚举通过对MAP块满足多齿约束的trans对/单点全排列并对称性消重。配体取代按严格（同给体原子）与松弛（骨架跃迁）兼容性类执行，可选SMARTS约束。ML实验将T-REX转成键图+超边（hyperedge，源自trans对，标记cis/trans及理想键角类），对比仅键MPNN（GINE卷积）与四种引入T-REX超边的几何感知架构（HyperMPNN用GRU池化经原子特征路由；LF-GNN、DeepSets、Virtual Node具直接配位球读出通道），随机80/10/10划分，Optuna调参，五种子集系综评估HOMO、LUMO、HOMO–LUMO gap及偶极矩预测性能，并做数据效率曲线与异构体隔离留出测试。

研究结果

3.1 T-REX datasets（T-REX数据集构建）

tmQMg中72 733个结构成功解析为T-REX字符串（成功率97.5%），经几何一致性过滤、元素计数校验及去重后得63 375个唯一规范T-REX字符串，涵盖52种过渡金属、氧化态?3至+7，配位几何分布符合金属偏好（如Pd 94%平面正方形、Au 87%直线形、Ru近均分四面体和八面体）。证明T-REX可大规模稳健整理无机/有机金属数据。

3.2 Enumeration of coordination isomers（配位异构体枚举）

于63 375个独特配合物中鉴定出五类异构关系：配位异构体（254组516个结构，仅MAP不同）、对映体对（92组184个，手性标志不同）、键合异构体（linkage isomers，52组104个，同配体不同给体原子配位）、半不稳定异构体（hemilabile isomers，11组22个，多齿配体有效齿数改变）、几何异构体（8组16个，整体配位数/几何不同）。46.5%理论上可异构/对映但晶体学仅少数被解析。组合枚举生成149 228个规范拓扑变体；12 370个手性配合物镜像反射得配对对映体库（T-REX-ent），弥补实验数据库异构缺失。

3.3 Generative expansion using chemically and topologically plausible ligand substitutions（基于配体取代的生成式库扩展）

将配体按齿数、ηⁿ、电荷、给体类型分为严格/松弛兼容类，对tmCAT中含M–H键的658个母体严格取代≈71.7万、松弛取代>230万规范字符串；对tmBIO中60个顺铂（cis-platin）类似物限定cis-N模式生成近2万严格/2.5万松弛变体；tmSCO中819个自旋交叉配合物扩为~16万字符串。证实T-REX模块配体替换可高效探索合成合理化学空间。

3.4 Graph and hypergraph neural networks（图与超图神经网络性质预测）

四目标性质预测显示：前线轨道能（HOMO/LUMO）各模型R²均高（几何感知略优，LF-GNN HOMO R²=0.980 vs. MPNN 0.968）；HOMO–LUMO gap几何感知直接读出模型R²达0.898–0.903 vs. MPNN 0.868；偶极矩——形状敏感性质——MPNN仅R²=0.715（MAE=1.272 D），引入T-REX超边HyperMPNN升至0.813，具直接配位球读出的LF-GNN/DeepSets/Virtual Node分别达0.845/0.843/0.837（MAE≈0.97–1.00 D）。三者架构不同但性能相当，表明改进源于T-REX拓扑信息本身。数据效率实验：对偶极矩仅25%训练数据（~12 700例）的几何感知模型即超全量MPNN（R²≈0.73 vs. 0.72），约四倍数据效率提升。异构体隔离测试：MPNN对偶极矩R²=?0.139，LF-GNN R²=0.871；族内Δ-偶极LF-GNN R²=0.918 vs. MPNN 0.111，证实T-REX配位拓扑对异构体分辨预测至关重要。

讨论与结论翻译

尽管本工作存在局限——T-REX目前支持CN≤7单核配合物完全解歧，多核扩展（MUL-T-REX）待开发；组合生成库未经热力学稳定性/合成可行性过滤——但T-REX明确编码金属、氧化态、配体、给体位点、几何及trans对映射，便于施加层级化学规则筛选及后续半经验/DFT稳定性评估或主动学习优化。未来方向含多核语法、自监督预训练于T-REX字符串语料及枚举异构体库作为预训练数据。

综上，研究人员提出并验证了T-REX——一种编码单核CN≤7过渡金属配合物金属身份、电子态、配体载荷、trans对映射及金属中心手性标志的规范行注释，可唯一指定配位拓扑与立体化学。从tmQMg数据集提取63 375个规范字符串，系统分类五类异构关系并揭示晶体学数据库严重低估拓扑变体空间。T-REX字符串作为可操作对象实现14.9万余配位异构/对映体枚举、配体类取代生成百万级候选库及专用对映体数据集。接入RDKit构建超图，五种GNN架构证明T-REX配位拓扑持续改善DFT性质预测——偶极矩提升最显著（R²=0.845 vs. 0.715），且几何感知模型仅需约四分之一训练数据达同等精度。T-REX兼具可互操作数据格式与ML就绪表示之双重角色，为催化、材料及生物无机发现中的系统性数据集整理、几何感知学习与生成设计奠定基础。