机器学习辅助的分子设计以实现高效的19F超极化 开放获取

《Chemical Science》：Machine learning-assisted molecular design for efficient 19F hyperpolarizationOpen Access

　　可通过可逆交换实现高效19F信号放大的方法（SABRE）仍然面临挑战，因为增强效果取决于多种与底物特异性的结构和电子因素。在此，我们报告了一种机器学习辅助策略，用于识别和排序高性能的19F SABRE底物。使用精细化的分子描述符，对超过18万个含氟N杂环的化学空间进行了映射，并筛选了33个具有代表性的含氟吡啶底物进行实验SABRE筛选。随机森林分类法识别出N_Sum_of_connectivity作为区分高增强和低增强底物的关键描述符。对于被分类为高增强区域的底物，采用前向逐步多元线性回归并结合留一法交叉验证，构建了一个可解释的五描述符模型，用于定量预测信号增强因子。对六个额外底物的外部验证显示，高增强候选物的预测值与实验值吻合良好。值得注意的是，3-氨基-4-氟吡啶的实验增强倍数为7133倍，接近预测值6637倍，在1.4 T磁场下无需共配体即可实现约3.2%的极化率。所选底物还实现了15种含氟吡啶的单扫描同时超极化。该工作流程提供了一种可解释的、数据驱动优化19F SABRE底物的框架。本文内容仅可通过PDF获取。版权信息：? 2026 The Author(s)。由英国皇家化学会出版。2026年。版权所有：The Author(s)。许可信息：本文依据知识共享署名4.0国际许可协议（Creative Commons Attribution 4.0 Unported Licence）授权。您可以在其他出版物中使用本文的材料，无需向RSC进一步申请许可，但须给予正确的致谢。