珊瑚：利用蒙特卡洛方法通过QSPR模型预测含氮高能化合物的爆炸热

《Journal of the Indian Chemical Society》：CORAL: QSPR models for prediction of detonation heat in nitrogen-containing energetic compounds by means of Monte Carlo method

　　•利用蒙特卡洛方法构建QSPR模型，预测含硝基化合物的爆热值•具备优异的爆热预测性能•用于新化合物的设计及其爆热值预测•为新型高能化合物的合理设计提供支持。引言含氮高能材料是一类高能量密度化合物，在军事、航空航天以及民用领域有着广泛的应用，包括炸药、推进剂和烟火制品（Fayet & Rotureau, 2022; Gou et al., 2024; Gupta et al., 2016; Jaidann et al., 2010; Pandey & Roy, 2024; Wang et al., 2025; Xie et al., 2021）。这类材料通常根据其成分及能量释放速率进行分类。炸药在微秒级时间内释放能量，而推进剂和烟火制品则通过较慢的燃烧过程释放能量（Pandey & Roy, 2024）。由于具有快速的能量释放能力和高功率输出特性，高能材料成为现代武器系统和推进技术中的核心组成部分。在这些应用中，优异的爆炸性能需与较低的敏感度以及良好的化学稳定性和热稳定性相平衡（M. Li et al., 2023; ?stmark et al., 2007; Tan et al., 2023; Thottempudi & Shreeve, 2011）。随着对打击效果和推进效率要求的不断提高，人们开始研发更先进的高能材料，以替代传统性能较低的材料（Balachandar & Thangamani, 2020; Bennett et al., 2009; Itouyama et al., 2024; Jaidann et al., 2010; Larin et al., 2019; J. Zhang et al., 2017）。尽管不同高能材料在应用场景和能量释放行为上存在差异，但它们都具有一些共同的结构特征。尤其是富含氮的功能基团，会对材料的能量性能和敏感度产生重要影响（Green et al., 2020; Jaidann et al., 2010; Pandey & Roy, 2024; Thottempudi & Shreeve, 2011）。材料的能量表现受多种热化学参数的控制，包括生成热、爆速、压力、温度以及氧平衡等因素（Jaidann et al., 2010; Muthurajan et al., 2006; Peng et al., 2025; Xu et al., 2017; Y. Zhang et al., 2024a,b）。在这些参数中，爆热值是最为关键的指标之一，因为它常被用来评估炸药的效率以及整体的能量释放情况（Keshavarz, 2007, 2009; Rice & Hare, 2002; J. Zhang et al., 2017）。由于高能化合物的分子结构中同时含有氧化元素和还原元素，因此它们的爆炸和燃烧过程无需依赖外部氧气即可发生（Fayet et al., 2022; Infante-Castillo & Hernández-Rivera, 2012; Proud et al., 2015）。因此，分解过程中释放的化学能量大小由分子本身的特性决定。所以，爆热值可作为衡量含氮化合物能量潜力的直接指标，也是性能评估中的重要参数。因此，准确估算爆热值对于新型高能材料的合理设计、筛选和优化至关重要（Jeong et al., 2017）。然而，随着人们对高能量、高性能产品的需求不断增加，相关系统在设计时还必须满足严格的安全性和稳定性要求（Ameen et al., 2021; C. Li et al., 2020; Muthurajan et al., 2006; Xi et al., 2025）。含氮高能化合物的合成与加工存在较大的安全风险，这是因为这类化合物具有放热反应特性且本身敏感性较高（Gupta et al., 2016; Lotfi et al., 2025; Wahler & Klap?tke, 2022; Z. Zhang et al., 2024a,b）。正因如此，大规模的实验筛选和性能测试不仅成本高昂、耗时漫长，还存在较大危险性（Lorenz et al., 2014; Mathieu & Alaime, 2015; Proud et al., 2015; L. Zhang et al., 2025; Y. Zhang et al., 2024a,b）。现行的危害分类、标签标注和安全评估法规进一步加剧了这一问题（Prana et al., 2017）。含氮化合物及其相关衍生物的制备和处理过程中会涉及高度放热的反应以及不稳定的中间产物（Lotfi et al., 2025; Qin et al., 2024）。传统的合成流程，如过滤、干燥和浓缩等步骤，还可能因为热量积聚、摩擦作用、机械因素以及温度失控等问题带来额外风险。随着生产规模的扩大，事故发生的频率和危害程度也会随之上升，从而对安全、经济和环境造成严重威胁（Bennett et al., 2009; Wang et al., 2025）。这些因素都凸显出需要采用可靠的方法，在降低实验和环境风险的同时，实现爆热值的高效精准估算。为应对这些挑战，计算建模已成为高效、可靠地估算高能材料性能的重要工具。这类方法能够在合成之前就确定材料的性能，从而减少实验风险、降低成本、降低环境影响，并加快研发进程（Fayet & Rotureau, 2022; Gao et al., 2025; Rice & Hare, 2002; Tamuliene et al., 2017; Zang et al., 2023）。在这些方法中，定量结构-性质关系模型能够直接从化学结构出发，预测材料的热化学性质和性能参数。通过将分子描述符与实验测得的性质相关联，QSPR模型可以快速评估那些尚未经过测试甚至尚未合成过的化合物（Fayet et al., 2010; Khajeh et al., 2013; M. Li et al., 2023; Muratov et al., 2020）。此后，He等人（2021）提出了基于QSAR随机森林的模型，成功预测了162种含氮化合物的爆热值。后来，Pandey等人（2023）再次使用同一数据集，结合定量结构-性质关系模型与机器学习技术，研究了爆热值的预测方法。这些研究证明了数据驱动建模在爆热值预测方面的有效性，但这些方法往往需要多步骤流程、多个软件平台以及混合策略。这种复杂性不仅增加了方法学上的工作量，还可能影响方法的重复性、可获取性以及常规应用性。正是由于这种日益增长的复杂性，人们更加需要一种统一、简化且计算效率更高的建模方法，以降低工作流程的复杂度，同时保持良好的预测性能。在本研究中，研究人员构建了基于CORAL（关联与逻辑）的QSPR模型，用于预测含氮高能化合物的爆热值。在剔除原始数据集中不一致的记录后，最终选用了160种化合物的数据集用于模型构建。这些化合物的化学结构采用简化分子输入线式表示法进行表示。基于这些表示形式，研究人员利用免费提供的CORAL软件中所实现的蒙特卡洛算法，生成并优化了基于SMILES的描述符（Manisha et al., 2019; Toropov et al., 2010）。该数据集被随机分为四组：训练集、隐训练集、校准集和验证集。前三组数据用于模型的构建和优化，而验证集则用于性能评估。这种多数据集建模方法能够生成更为稳健的模型，降低过拟合现象，提高预测的可靠性。除了R2（决定系数）和RMSE（均方根误差）等常规统计参数外，本研究还采用了IIC（相关性理想指数）和Y随机化等高级验证参数，以此来检验模型的稳健性，避免出现偶然的相关性。除了具备良好的预测性能外，本研究还展示了基于CORAL的框架作为一种兼具可解释性和高计算效率的建模策略，在高能材料研究领域的应用价值。与以往那些需要多步骤流程和多个软件平台的建模方法不同，CORAL软件提供了一个统一的平台，可用于数据集划分、描述符生成、模型构建、验证以及基于SMILES缺陷概念的应用范围评估（Rani et al., 2024; Singh Rahul et al., 2022; Toropov et al., 2018; Toropova et al., 2013; Toropova & Toropov, 2018）。此外，通过分析还确定了影响爆热值的关键结构特征，这为理解结构与性质之间的关系提供了机制层面的见解，也有助于合理设计具有特定能量特性的新型高能化合物。总体而言，这些特点使得该建模方法更加简单、透明且可靠，同时还有可能应用于更大规模的数据集以及高能材料的其他热化学性质研究。本研究的目的是利用蒙特卡洛方法，构建并验证统一的QSPR模型，从而实现含氮高能化合物爆热值的精准预测。本研究实际上是在He等人（2021）、Pandey等人（2023）之前针对同一组爆热值数据所进行的又一次建模尝试。因此，不应将本研究的创新点理解为具有更高的预测精度。事实上，本研究中所采用的CORAL模型的RMSE验证值反而高于之前研究的结果。本研究的主要贡献在于开发了一种更为简单的基于CORAL的单一平台工作流程，该流程运用基于SMILES的描述符、蒙特卡洛优化技术、应用范围评估以及片段级分析方法。这样一来，该模型虽然在数值精度上有所牺牲，但却提升了工作流程的简洁性、透明度以及可解释性。数据集本研究所使用的数据集源自He等人（2021）最初发表的文献，后来也被Pandey等人（2023）在其研究中采用。该数据集包含了162种含氮化合物的爆热值，单位为千焦每千克。在模型构建之前，对数据集进行了预处理，以提高其内部一致性、结构准确性和数据质量。其中有一种化合物（2,4,6-三硝基联苯胺），在不同文献中的爆热值存在不一致的情况。结果与讨论本研究使用了160种含氮化合物的实验测得爆热值数据，以此构建预测型QSPR模型。研究人员利用CORAL软件，将这160种化合物分为八组，分别作为训练集、隐训练集、校准集和验证集。这些数据集被赋予了不同的功能：训练集、隐训练集和校准集用于模型构建，而验证集则专门用于外部性能评估。机制解析通过分析所有八组数据集中基于SMILES的结构特征及其对应的相关权重，进行了机制解析。在所有八组数据集中都表现出持续正相关权重的结构特征被归类为促进因子，这类因子有助于提升爆热值；而那些在所有八组数据中都表现出持续负相关权重的特征则被归类为抑制因子，这类因子会对爆热值产生不利影响。新型化合物设计基于所构建模型得出的机制解析结果，研究人员共设计了六种新型化合物：三种化合物（P1–P3）旨在提升爆热值，另外三种化合物（D1–D3）则用于降低爆热值。其中，化合物35被选为参考化合物，根据公式（3）计算，其预测爆热值为5723.8883千焦每千克。对于那些爆热值较高的化合物，研究人员通过对母体化合物进行结构改造来实现性能提升。与以往研究的比较此前，He等人（2021）提出了基于QSAR随机森林的模型，利用162种化合物的数据集预测了含氮高能化合物的爆热值。他们采用Kennard-stone算法将数据集划分为校准集和预测集，然后使用Gaussian-09（B3LYP/6-31G）*算法对分子几何结构进行优化，再通过CODESSA 3.2软件计算分子描述符。此外，他们还尝试了包括WT（小波变换）、RF（随机）等多种建模方法。结论本研究构建的基于CORAL的QSPR模型在所分析的数据集范围内展现出不错的预测性能，但在RMSE指标上并未超过之前基于相同爆热值数据构建的模型。因此，本研究的主要贡献并非更高的预测精度，而在于采用了一种简单、透明且基于单一平台的CORAL工作流程，该流程能够实现基于SMILES的描述符优化、应用范围评估以及机制分析等功能。CRediT作者贡献说明Vijay Dangi：可视化、监督、形式分析。Gulshan Singh：写作——审稿与编辑、可视化、监督、形式分析、概念构思。Anjali Ahlawat：可视化、验证、项目管理、数据整理、概念构思。Kusum Redhu：写作——初稿撰写、可视化、验证、方法论、研究实施、形式分析、数据整理、概念构思。未引用参考文献Manisha et al., 2019。利益冲突声明作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。Kusum|Gulshan Singh|Anjali Ahlawat|Vijay Dangi