多任务图神经网络用于综合表面活性剂性质预测

《Digital Discovery》：Multi-task graph neural networks for comprehensive surfactant property predictionOpen Access

　　

表面活性剂是重要的两亲性分子，应用于洗涤剂、药物、强化采油和新兴生物技术等领域。表面活性剂性质的计算预测可加速配方开发，然而现有机器学习方法主要关注单一性质、忽略温度效应，且缺乏不确定性量化。研究人员提出了SurfMT-GNN（表面活性剂多任务图神经网络，Surfactant Multi-Task Graph Neural Network），这是一个统一框架，可同时预测六种关键表面活性剂性质：临界胶束浓度（p_CMC）、CMC处的表面张力（γ_CMC）、最大表面超额（Γ_max）、最小分子面积（A_min）、表面压（π_CMC）和表面活性效率（pC₂₀）。该架构整合了三个互补编码分支：AttentiveFP图编码器、学习型温度嵌入模块和专家选择的分子描述符，通过共享表示层融合，利用多任务学习挖掘性质间的物理化学相关性。在SurfPro数据库（1484个训练表面活性剂和140个测试表面活性剂）上评估，SurfMT-GNN在全部六种性质上取得平均测试集R²=0.848。各项预测的R²值分别为：p_CMC 0.902，γ_CMC 0.809，Γ_max 0.805，A_min 0.868，π_CMC 0.808，pC₂₀ 0.898。数据稀缺的性质从多任务学习中获益最多，其中Γ_max和A_min相比相同架构的单任务模型分别提升了15.0%和15.6%。消融研究证实，学习型温度编码器比简单拼接高出1.9%，集成平均贡献+3.3%。一个60模型深度集成提供了不确定性估计，在名义95%置信区间下经验覆盖率为75.5%，并附有性质特定的校准分析。在Bemis–Murcko骨架分割（1299个训练分子/325个测试分子；零骨架重叠）上的评估得出六种性质的平均R²=0.870，与随机分割基线相当，证实了对结构新颖化合物的泛化能力。SurfMT-GNN独特地结合了全面的多性质预测、显式温度建模和全部六种性质的不确定性量化，能够以亚秒级推理实现实用的多目标表面活性剂设计，适用于高通量虚拟筛选。

表面活性剂是一类关键的两亲性分子，在洗涤剂、药物、强化采油和生物技术等领域应用广泛。其界面行为通常由六个关键性质表征：临界胶束浓度（p_CMC）、CMC处表面张力（γ_CMC）、最大表面超额（Γ_max）、最小分子面积（A_min）、表面压（π_CMC）和表面活性效率（pC₂₀）。传统的张力学实验表征每个化合物需要数小时至数天，严重制约了配方开发中表面活性剂化学空间的探索。尽管已有定量结构-性质关系（QSPR）和机器学习方法用于预测，但现有模型大多集中于单一或双性质，忽略温度影响，且缺乏不确定性量化，难以满足实际多目标设计需求。为此，研究人员提出了SurfMT-GNN，一个统一的多任务图神经网络框架，同时预测全部六种性质。该研究发表于《Digital Discovery》。

研究人员在SurfPro数据库（1484个训练表面活性剂和140个测试表面活性剂）上评估模型，取得了平均R²=0.848的性能，并通过Bemis–Murcko骨架分割（1299个训练分子/325个测试分子，零骨架重叠）验证了模型对结构新颖化合物的泛化能力（平均R²=0.870）。

主要技术方法包括：利用SurfPro数据库作为数据来源，并额外构建Bemis–Murcko骨架分割以评估泛化。模型采用三分支编码架构：AttentiveFP图编码器（3层，隐藏维度256，4注意力头）学习分子图表示；温度MLP将归一化温度映射为嵌入；12个专家选择的RDKit描述符经MLP编码。三分支特征拼接融合后经共享层，六个任务头分别输出各性质预测。训练使用掩码均方误差损失处理缺失数据，并按数据稀缺性设置任务权重；60模型深度集成（10折交叉验证×6随机种子）提供不确定性估计。

研究结果部分的主要发现如下：

**整体模型性能**：在140个测试分子上，SurfMT-GNN取得平均R²=0.848，其中p_CMC的R²=0.902，RMSE=0.336对数单位，对应浓度预测因子约2.2倍，达到实用精度。

**骨架泛化**：在Bemis–Murcko骨架分割上，平均R²=0.870，与随机分割基线相当，且每个性质的性能均匹配或略优于随机分割，证明预测不依赖于训练与测试分子间的骨架重叠。

**多任务学习收益**：对比相同架构的单任务AttentiveFP模型，多任务学习带来5.7%的平均提升；数据稀缺的Γ_max和A_min分别提升15.0%和15.6%，且提升幅度与数据缺失率正相关（r=0.67），说明知识转移主要惠及数据稀缺任务，而非源于π_CMC=γ₀?γ_CMC等数学关系。

**温度依赖预测**：温度编码器成功捕捉离子型表面活性剂p_CMC随温度升高的正系数（对应CMC每摄氏度降低2–3%），以及非离子型乙氧基化表面活性剂的复杂温度行为；学习型温度MLP比简单温度拼接提升1.9%，而传统ML模型加入温度后仅提升≤0.001。

**表面活性剂类别表现**：六类表面活性剂的p_CMC预测R²均高于0.82，其中非离子（0.918）和阴离子（0.912）性能最佳，两性离子最低（0.821），但测试集仅3个样本限制了结论。

**消融研究与组件贡献**：多任务学习贡献5.7%，60模型集成平均贡献3.3%，学习型温度编码优于拼接1.9%；描述符分支对平均R²影响很小（+0.2%），但提供了SHAP可解释性，将模型从黑盒预测转化为可机械化学解释的工具。

**交叉验证稳定性**：10折交叉验证中，p_CMC的单模型R²=0.797±0.038（CV=4.8%），数据稀缺的Γ_max为0.683±0.117（CV=17.1%），表明数据量对稳定性影响显著。

**与已发表方法比较**：p_CMC精度（R²=0.90）略低于专门单任务方法的0.94，但该模型是首个同时提供六性质预测、温度建模和不确定性量化的框架，且一个多任务模型替代六个单任务模型，训练时间约减少6倍。

**不确定性量化与校准**：60模型深度集成在名义95%置信区间下平均经验覆盖率为75.5%，平均期望校准误差（ECE）=0.134，表明系统过度自信；但不确定性-误差Spearman相关ρ=0.58，且不确定性最高四分位分子的平均误差是最低四分位的2.3倍，仍能有效识别高风险预测。

**误差分析与失效模式**：p_CMC残差近似高斯分布（均值0.017，标准差0.353），无显著异方差；高误差集中于磷酸盐/膦酸盐头基、支链烷基、超过18个碳的长链和芳香头基等训练数据稀少的结构。

**物理化学解释**：描述符重要性分析显示MolLogP（疏水性）最重要，其次为BalabanJ和可旋转键数；对C8–C16烷基硫酸钠同系物，模型预测的Klevens斜率B=0.29，与实验