有机磷化学战剂的线性溶剂化能关系描述符

《Journal of Hazardous Materials》：Linear Solvation-Energy Relationship Descriptors of Organophosphorus Chemical Warfare Agents

　　**摘要**
Abraham提出的线性溶剂化能关系（LSER）模型被广泛用于描述液-液和气-液系统中的溶质分配。该模型利用溶质描述符和系统系数来量化分子间相互作用，从而能够预测与化学、环境科学、医学和生物学相关的系统中的溶质分布。在本研究中，为七种有机磷化合物（包括神经毒剂塔崩酯（GA）、沙林（GB）和梭曼（GD）确定了LSER描述符。E描述符（分子极化率）是根据文献中的折射率得出的，而V描述符（McGowan特征体积）则是通过原子片段和键的计算得到的。S（偶极性）和L（色散相互作用）描述符则是通过在不同溶剂性质下的六根毛细管柱上进行的气相色谱分析获得的。A描述符（氢键酸性）基于分子结构被设定为零。B描述符（氢键碱性）是根据液-液和气-液系统中的文献分离系数估算的，但由于数据稀少且分散，其可靠性有限。为选定参考化合物获得的描述符值与文献数据吻合良好，证实了该方法的有效性。此外，也尝试使用QSAR模型来估算LSER描述符，但观察到了显著差异，这可能是由于有机磷化合物在模型参数化中的表示不够充分所致。

**介绍**
描述溶解过程的最重要的物理化学量之一是分配系数KX，它定义为溶质在两相中的摩尔浓度之比：
$$ K_X = \frac{[X]^A}{[X]^B} $$
其中[X]A和[X]B分别表示溶质X在相A和相B中的平衡浓度。
分配系数是一个具有实际意义的参数，它可以定量衡量物质对不同相的亲和力。

**实验部分**
LSER描述符通常是通过能够测量化合物在两相之间的分配系数或相关热力学量的方法来确定的。常用的技术包括气相色谱、液相色谱、不同溶剂中的溶解度测量以及顶空分析。此外，某些描述符也可以通过溶剂色度测量或理论方法来获得。

**讨论**
所确定的LSER描述符值汇总在表8中。该表还包含了文献中给出的DMMP、TMP和TEP的值[43]，这些值是根据各种液相之间的已知分配系数得出的，而无需使用气相色谱数据。
所有研究过的有机磷化合物的一个共同特点是它们具有很强的作为氢键碱的倾向（B值较高）；然而，主要的相互作用是极性（S）和色散（L）相互作用。观察到的差异较大。

**结论**
在本研究中，为七种有机磷化合物（包括三种神经毒剂GA、GB和GD）确定了LSER描述符。E描述符是根据文献中的平均折射率值计算得出的。GB和DFP有两个可用的数值，具有足够的统计可靠性。对于GA和GD，虽然只有两个数值，但它们非常相似，其中一个数值是通过现代测量方法获得的，并且实验过程受到了严格控制。

**环境影响**
确定的描述符值可以用于：
- **环境命运评估**：估算神经毒剂的持久性和迁移性，以确定其环境影响。
- **毒代动力学分析**：评估其穿越生物屏障的能力及生物累积潜力。
- **CBRN防御应用**：改进去污、检测、个人/集体防护和医疗应对措施。
- **研究优化**：减少或消除涉及活体的高风险测试。

**作者贡献声明**
Micha? Grabka：撰写、审阅与编辑、资料收集、实验研究。
Klaudia Kozon：撰写、审阅与编辑、实验研究。
Stanis?aw Popiel：撰写、审阅与编辑、监督。
Pawe? Rytel：撰写、审阅与编辑、实验研究。
Krzysztof Jasek：撰写、审阅与编辑、初稿撰写、监督、实验研究、数据分析、概念化。

**关于写作过程中生成式AI和AI辅助技术的声明**
在准备这项工作时，作者使用了ChatGPT（OpenAI）来协助语言编辑和将选定的段落翻译成英文。作者对所有由AI生成的内容进行了仔细的审查和编辑，并对发表文章的内容负全责。

**利益冲突声明**
作者声明他们没有任何已知的财务利益或个人关系可能会影响本文所述的工作。

**致谢**
本研究由波兰科学与高等教育部资助，项目编号为RID/SP/0042/2024/01，项目名称为“提高识别与危险材料相关威胁的能力”。作者感谢ChatGPT（OpenAI）在完善手稿语言方面的帮助。在使用该工具/服务后，作者对内容进行了必要的审查和编辑，并对发表文章的内容负全责。

**作者信息**
Krzysztof Jasek | Micha? Grabka | Claudia Kozon | Stanis?aw Popiel | Pawe? Rytel
波兰西尔维斯特·卡利斯基第二军事大学，00-908 华沙