可交换质子化学位移的定量预测

《Nature Communications》：Quantitative Prediction of Exchangeable Proton Chemical Shifts

　　

摘要

由于溶质与溶剂之间的相互作用以及分子动力学的共同影响，准确预测溶液中可交换质子的核磁共振化学位移仍然是一项挑战。我们提出了一种框架，将机器学习分子动力学（ML-MD）与ShiftML3机器学习屏蔽模型相结合，用以快速准确地预测溶剂化分子中的核磁共振谱。尽管ShiftML3最初是为固体开发的，但它能够有效捕捉溶液中分子间的屏蔽效应。我们在多种化学结构不同的体系中验证了该方法，包括有机溶剂中的水、溶剂化醇类、通过氢键连接的核碱基、葡萄糖异头物以及烷基化乙酰胺。ML-MD + ShiftML3框架能够以近乎定量的精度再现实验观测到的可交换质子化学位移，还能识别出隐式溶剂密度泛函理论无法捕捉的微妙氢键作用和构象效应。这些结果表明，ML-MD + ShiftML3是一种具有通用性且计算效率高的方法，可将溶剂效应和动力学因素纳入核磁共振光谱分析中，从而为具有柔性、能形成氢键以及结构复杂的分子体系提供准确的化学位移预测。