《Advanced Science》:Interpretable Deep Learning of Molecule-Solvent Interactions Using a Solvatochromic Subgroup Contribution Framework
编辑推荐:
溶剂效应深刻影响溶液中分子的光物理与光学性质,然而对溶剂效应的定量且可解释描述仍是长期挑战。本研究为定量理解并化学解释溶剂色变现象,引入了基于溶剂色变亚组贡献(SSC)框架的深度学习(DL)模型,该框架通过分子亚组与周围溶剂的局域相互作用描述溶剂色变位移。在此
溶剂效应深刻影响溶液中分子的光物理与光学性质,然而对溶剂效应的定量且可解释描述仍是长期挑战。本研究为定量理解并化学解释溶剂色变现象,引入了基于溶剂色变亚组贡献(SSC)框架的深度学习(DL)模型,该框架通过分子亚组与周围溶剂的局域相互作用描述溶剂色变位移。在此框架中,溶液中分子电子跃迁能成功建模为三个具化学可解释贡献之和:参考性质(RP)、亚组贡献(SC)与邻近效应因子(PEF),提供溶剂依赖电子跃迁能的化学知情表示。基于溶剂依赖吸收与发射能实验数据库训练,SSC基深度学习模型同时实现高预测精度与亚组水平的溶剂色变位移可解释性。更重要的是,学习所得SC值与经典溶剂极性参数(即ET(30)与Kamlet-Taft参数)强相关,并复现Bilot-Kawski关系,证实SSC框架捕获显式且物理有意义的分子-溶剂相互作用。SSC框架是化学与材料科学中建模分子-溶剂相互作用的可扩展、可泛化工具,兼顾预测精度与化学可解释性。
研究背景方面,溶剂色变指分子光学性质随周围溶剂变化的现象,横跨化学、材料、医药与环境科学。传统经验溶剂极性参数(Reichardt的ET(30)、Kamlet-Taft的α、β、π*)虽广泛用于概括溶剂效应,但依赖特定指示染料(如Betaine-30)的简化表示,难以完整捕捉结构多样体系中复杂的分子-溶剂相互作用;第一性原理连续介质溶剂模型(极化连续介质模型PCM、基于密度的溶剂化模型SMD)将溶剂视为均匀可极化介电介质,忽略显式溶质-溶剂相互作用,而QM/MM显式溶剂成本过高。近期图神经网络(GNN)预测分子性质时常将分子与溶剂表示拼接(concatenation, CC),视二者为独立实体,忽视显式耦合;交互感知模型如CIGIN、MolMerger虽改进表示,但化学可解释性仍有限。为此,研究人员提出溶剂色变亚组贡献(SSC)框架,将溶液中电子跃迁能分解为参考性质(RP,隐式本征气相比性质)、亚组贡献(SC,亚组-溶剂局域作用)与邻近效应因子(PEF,邻位诱导/共轭/位阻修正)三项之和,并以化学知情的深度学习架构实现定量预测与机理解释。该研究发表于《Advanced Science》,意义在于为溶剂效应提供可扩展、可泛化且可解释的AI范式。
关键技术方法上,研究人员采用既往算法以(6,2,0)规则将分子切分为近似常规有机官能团的亚组;构建并训练SSC基DL模型(底层比对GCN、MPNN、DMPNN、GAT、AttentiveFP五种GNN),在自有整理的溶液中吸收/发射能实验数据库上训练,基准对照CC、CIGIN、MolMerger;以不同随机种子集成平均提取归一化亚组贡献(NSC);用两步训练(先冻PEF=1优SC,后冻SC优PEF)解耦SC与PEF;外部验证采用近期报道的芘、吡咯并吡咯、氰基苯乙烯、BODIPY、方酸类染料(训练集外);以Kamlet-Taft方程与Bilot-Kawski关系对照经典溶剂描述符,并以TD-DFT(ωB97XD/def2-SVP,SMD)作参照计算。
研究结果部分,2.1 SSC基模型实现中,架构明确RP、SC、PEF三者加和表达溶剂依赖跃迁能。2.2 分子切分为亚组采用(6,2,0)规则兼顾化学直观与稳定性能。2.3 SSC框架视角下,溶剂色变位移被假设为各亚组-溶剂作用之和经PEF调制,形式化为Esol=Egas+Σ(SCi·Pi)。2.4 DL模型预测性能显示,SSC-DMPNN吸收能MAE 0.0844 eV,SSC-GAT发射能MAE 0.0805 eV,均优于CC/CIGIN/MolMerger;外部5类染料预测吸收/发射平均绝对偏差3.4 nm/6.0 nm。2.5 消融研究证PEF移除显著掉点,两步冻结训练(Frozen-SSC)保精度且增SC可复现性。2.6 化学有效性评价列可加性、可复现性、与化学知识一致三条件。2.7 SSC参数可复现性评价发现RP因从溶液数据反推气相比而可复现性弱于SC,故引入NSC(系综平均相对SC变化)降RP干扰。2.8 NSC验证中,甲基在各类溶剂NSC近零,胺基在甲醇NSC达-41.48 meV、甲苯中+41.72 meV,与介电常数/ET(30)相关;NSC重构的相对发射位移可分辨低至0.06 eV变化,优于TD-DFT/SMD低估幅度。2.9 Kamlet-Taft检验中,苯s=-63.39、吡啶s=-69.01显π*主导;酮a=-41.97、酯a=-18.54示氢键供体敏感;胺a=-44.01、b=-34.02具双氢键能力;乙基三系数均弱,回归高Pearson/Spearman相关。2.10 Bilot-Kawski检验中,(νa-νf)对f(ε,n)及(νa+νf)对f(ε,n)+2g(n)斜率与文献吻合,证实SSC捕获跃迁能与溶剂极性的本质关联。
讨论与结论翻译部分,研究人员在结论中指出:所建SSC基深度学习模型将溶液相电子跃迁能解为RP(隐式本征)、SC(亚组-溶剂局域作用)、PEF(邻位修正)三项,在实验吸收/发射库上较CC、CIGIN、MolMerger兼顾精度与可解释性;所学SC与ET(30)、Kamlet-Taft参数强相关并复现Bilot-Kawski关系,证其捕获物理意义明确的分子-溶剂相互作用。该框架为AI驱动分子性质预测嵌入溶剂效应提供可泛化、可解释、数据驱动范式,超越溶剂色变亦可迁至溶液反应、光物理过程与催化等环境依赖现象;待解问题包括RP可复现性与化学释义提升、适用域扩展(当前限中性有机小分子<480 Da、单发色团、正溶剂色变为主),需继续发展物理知情的建模策略。