《Digital Discovery》：Harnessing homolytic bond energetics to steer inverse radical designOpen Access
编辑推荐：
均裂键解离能（BDE）控制自由基形成和断键热力学，但在分子设计中通常仅在提出候选结构之后才对其进行评估。本文将BDE视为连续的生成设计坐标而非事后描述符，从而在能级水平上实现键强度的分布控制，而非精确设定值的达成。一个BDE条件化的Transformer生成自
均裂键解离能（BDE）控制自由基形成和断键热力学，但在分子设计中通常仅在提出候选结构之后才对其进行评估。本文将BDE视为连续的生成设计坐标而非事后描述符，从而在能级水平上实现键强度的分布控制，而非精确设定值的达成。一个BDE条件化的Transformer生成自由基片段对，将这些片段对引导向预定的单键强度区间（50–130 kcal mol?1），在目标范围内实现了单调的、秩分辨的能量控制，有效性为81–94%，新颖性为84–92%。在筛选层面，基于同一数据源训练的MPNN筛选器提供了与能级引导一致的高通量能量排序。对随机采样的新生成结构进行相同泛函的M06-2X/def2-TZVP重新计算，目标达成平均绝对误差（MAE）为7.7–12.7 kcal mol?1，与能级引导一致，将生成精度与泛函间偏移分离开来。在ωB97X-D3BJ/def2-TZVP水平上的独立跨泛函评估显示能量排序得以保持（DFT计算均值范围约64至约119 kcal mol?1），表明所学习的BDE轴反映了可迁移的热力学结构，而非泛函特异性伪影。自旋离域分析进一步揭示了在DFT验证集中自由基局域化与键强度之间存在统计学显著的相关性。更广泛地说，与反应相关的热力学量可作为主要生成坐标，与PFAS相关的C–F键强度激励向更高能区的扩展。
均裂键解离能（BDE）是描述共价键均裂生成自由基所需能量的基本热力学量，在物理有机化学、催化、燃烧和药物代谢等领域中具有核心地位。传统分子设计通常先提出候选结构，再通过量子化学计算评估其BDE，这种事后评估方式无法直接回答“哪些分子片段能形成特定键能”的逆向问题。尽管现有机器学习模型如ALFABET能够快速预测给定结构的BDE，但它们不具备按目标键能生成新分子的能力。为此，研究人员提出了一种将BDE作为连续生成坐标的逆向设计框架，旨在从热力学层面直接引导分子生成，而非事后筛选。
该研究基于BDE-db2数据集（包含约80万条M06-2X/def2-TZVP水平计算的均裂解离数据），训练了一个GPT-2风格的自回归Transformer作为生成器。通过特征线性调制（FiLM）机制将目标BDE值嵌入到token嵌入中，模型学习条件分布p(f1,f2|Etarget)，从而生成自由基片段对。生成的片段对经重组后构建候选母体分子，并利用基于同一数据源训练的堆叠消息传递神经网络（MPNN）进行高通量BDE预测和排序。随后，研究人员在ωB97X-D3BJ/def2-TZVP水平上对随机采样的生成结构进行独立DFT验证，计算零点振动能（ZPVE）校正的BDE，检验能量排序的跨泛函稳定性。该工作还通过相同泛函M06-2X/def2-TZVP重算，分离了生成误差与泛函间系统偏移。
研究结果表明，所提出的框架能够在50–130 kcal mol
?1的典型单键区间内实现单调的能级分布控制。MPNN筛选器在内部测试集上取得0.76 kcal mol
?1的平均绝对误差（MAE），在外部实验基准和PFAS测试集上分别达到2.22和1.34 kcal mol
?1。生成分子的预测BDE随目标值增大而系统性偏移，各目标下分布均值单调递增，但上尾目标存在压缩效应。相同泛函重算的MAE为7.7–12.7 kcal mol
?1，跨泛函重算的MAE为7.9–17.6 kcal mol
?1，表明残差部分源于泛函间系统差异。生成片段对展现出低至中等的Tanimoto相似度（均值0.47–0.51），有效性为81–94%，新颖性为84–92%，说明模型并非简单复制训练样本。独立DFT验证显示，生成结构的BDE与设计目标之间存在强线性关系（Spearman ρ = 1.00），且MPNN预测与DFT计算值高度一致（ρ = 0.89, MAE = 6.48 kcal mol
?1），证明学习到的BDE轴具有跨泛函可迁移性。电子结构分析进一步揭示，随着BDE增大，自由基片段的自旋密度从广泛离域转变为局域化，逆参与率（IPR）与BDE显著正相关，离域原子数与BDE显著负相关。
该研究首次将BDE确立为分子生成的连续设计坐标，实现了对自由基片段对断键热力学的分布级调控，并通过独立DFT验证确认了能量排序的可靠性。这一方法为反应相关热力学量作为生成条件提供了新范式，尤其对PFAS降解中高能C–F键（>120 kcal mol
?1）的逆向设计具有直接启发意义。未来工作可扩展至多描述符协同条件化、反应路径预筛选以及主动学习闭环优化，从而将键能逆向设计嵌入更广泛的反应用于生成工作流中。论文发表在《Digital Discovery》。
