基于化学信息的机器学习方法预测自由基共聚合反应竞聚率

《ACS Omega》：Chemically Informed Machine Learning Approach for Prediction of Reactivity Ratios in Radical Copolymerization

　　

预测单体竞聚率对于控制共聚物中单体序列分布及其性能至关重要。传统的竞聚率实验测定方法耗时且资源密集，而现有计算方法常在准确性或可扩展性方面存在不足。研究人员在此提出一种将无监督学习与人工神经网络相结合的方法，用于预测自由基共聚合中的竞聚率。通过对单体的物理化学特征施加谱聚类，研究人员识别出三个具有特征性反应模式的单体组。这种计算高效的聚类方法揭示了特定的单体组间相互作用，可导致交替、无规、嵌段和梯度共聚物等不同序列排列，为初步探索提供了化学见解。基于这些见解，研究人员训练人工神经网络以实现定量竞聚率预测。研究人员探索了两种整合策略：直接特征拼接和聚类特异性训练，与等效样本量的通用训练相比，这两种策略在目标化学域中展现出性能提升。然而，利用完整数据集的模型优于在聚焦子集上训练的专业模型，揭示了化学特异性与数据可用性之间的基本权衡。本研究证明，无监督学习可为探索性分析提供快速的化学见解，而监督学习则提供最终设计预测所需的精度，最优策略取决于数据可用性和应用需求。

**基于化学信息的机器学习方法预测自由基共聚合竞聚率——论文解读**

**一、研究背景与科学问题**

均聚物已在电子、制药制造和分离技术等众多工业领域发挥重要作用。在此基础上，涉及两种、三种或更多单体的共聚物进一步拓展了高分子科学的领域，使得二元共聚物、三元共聚物及其他复杂结构的物理和化学性质得以精确调控，满足工业应用和学术研究的严格要求。然而，共聚物的合成与表征需要投入大量的时间和资源，是高分子科学中的重大挑战。

共聚物中单体序列分布与其最终物理化学性质之间存在内在关联，这促使研究者开发无需大量实验即可理解单体序列分布的预测框架。这种预测策略可通过两种互补途径实现：正向设计问题旨在合成前预测最终单体序列分布，从而在投入实验资源前预估材料性能；逆向设计问题则采用逆向工程方法，从期望的材料性能出发反推最优单体组合。反应竞聚率是定量表征单体序列分布的关键动力学参数，描述增长中的聚合物链在共聚过程中优先添加某类单体的相对倾向。尽管这一概念最初针对二元共聚体系建立，但已成功扩展到三元共聚及其他多组分共聚体系。竞聚率的不同数值可导致交替、无规、嵌段或梯度等不同序列分布，直接决定共聚物的微观结构和最终性能。

现有计算预测方法面临不同挑战：密度泛函理论计算在预测竞聚率和动力学常数方面虽准确，但计算强度大、耗时长，难以用于筛选大量单体组合，此即可扩展性问题；传统机器学习技术包括神经网络虽具有计算效率，但因聚合反应复杂性而难以达到高精度。因此，需发展一种混合框架，将特征工程与机器学习架构独特整合，以克服上述局限。

**二、研究内容与主要结论**

本研究提出一种将无监督学习与人工神经网络相结合的化学信息机器学习方法，用于预测自由基共聚合中的竞聚率。通过对单体的物理化学特征进行谱聚类，研究人员识别出三个具有特征性反应模式的单体组。这种计算高效的聚类方法揭示了特定的单体组间相互作用，可对应交替、无规、嵌段和梯度共聚物等不同序列排列，为初步探索提供了化学见解。在此基础上，研究人员训练人工神经网络以实现定量竞聚率预测，并探索了直接特征拼接和聚类特异性训练两种整合策略，系统评估了将化学信息纳入预测模型的不同方式。研究表明，无监督学习可为探索性分析提供快速的化学见解，而监督学习提供最终设计预测所需的精度，最优策略取决于数据可用性和应用要求。该论文发表在《ACS Omega》。

**三、主要关键技术方法**

本研究数据来源于Takahashi等人开发的自由基共聚合数据库CoPolDB。研究团队采用多阶段数据筛选：剔除负值竞聚率数据；排除含多乙烯基单体；依据归一化方差阈值σ2/μ2≤0.2对重复实验取平均；利用共聚反应对称性将数据倍增；施加0.01≤r≤10的边界约束，最终得到2304条高质量数据。分子表征采用半径3的Morgan指纹即ECFP6生成2048位向量。单体聚类使用谱聚类算法，依据8个经相关性筛选的物理化学描述符。预测模型采用两层全连接神经网络（隐藏层80和40个神经元，ReLU激活函数），以竞聚率的对数值作为输出，使用Adam优化器和10折交叉验证评估性能。计算在Nebraska大学Holland计算中心的集群上执行。

**四、研究结果**

**1. 单体聚类与相互作用分析**

通过对628种独特单体进行谱聚类分析，研究人员确定了三个具有不同分子特征的单体簇。簇3包含环内乙烯基、高乙烯基碳电荷、高总极性表面积和较少氢供体的单体；簇2以高sp2杂化计数、较大分子量和较高脂溶性为特征；簇1则表现出介于两者之间的中间特性。对六种簇间相互作用的统计分析显示：C1–C1相互作用平均竞聚率约为1.1且标准偏差大，可产生从无规到嵌段的不同序列排列；C1–C2和C1–C3相互作用呈现不对称竞聚率模式，倾向梯度共聚物形成；C2–C2相互作用表现出随机到弱梯度序列；C2–C3相互作用显示出极低竞聚率（约0.5和0.1），表明形成高度可预测的交替共聚物；C3–C3相互作用主要为无规共聚物。

**2. 直接特征整合的性能评估**

采用增量分析框架，研究人员比较了三种特征组合的神经网络模型。基线模型仅使用Morgan指纹，加入聚类成员独热编码后性能几乎不变，再加入8个物理化学描述符后仅有边际提升。此有限改进归因于维度失衡：Morgan指纹每单体对贡献4096个特征，而聚类编码仅6个特征，物理化学描述符16个特征，合计仅占约0.5%特征空间，低维化学信息在反向传播梯度更新中实际上被高维特征淹没。但基线模型测试集MSE约0.19（对数尺度），显著优于Farajzadehahary等人的工作（MSE 2.31–3.11），研究人员将此归因于系统的数据筛选方案和改进的对数变换策略。

**3. 聚类特异性训练的性能评估**

与直接特征整合的有限成功形成对比，聚类特异性训练在预测性能上展现出实质性提升。对C1–C1相互作用，聚类特异性模型在r1预测上测试MSE为0.2525±0.0629，相比通用训练的0.2845±0.0964明显降低；R2从0.246±0.160提升至0.324±0.086，且跨折方差显著减小。对C1–C2相互作用，聚类特异性模型r1测试MSE为0.1976±0.0521，相比通用训练的0.2221±0.0562更低；R2从0.356±0.117提升至0.429±0.103。这一优势进一步推广至所有可测试的簇间作用类型（除仅有10条数据的C3–C3外）以及随机森林和支持向量机两种额外模型架构，表明性能增益并非神经网络架构的偶然产物，而是训练数据化学均匀性的根本结果。

**五、讨论与结论**

**讨论总结：** 本研究发现对高分子化学实验设计策略具有重要启示。结果表明，针对特定竞聚率预测开发模型时，化学均匀域内的靶向实验可能优于跨多样单体类型的广泛实验调查。这提示资源分配策略应转向：与对所有可能单体组合进行穷尽筛选相比，将实验工作重点放在与所需聚合物架构相关的特定簇相互作用的系统研究上，可更有效地提升目标域内的模型性能。无监督学习与监督学习的比较分析确立了二者在高分子信息学中的互补角色：无监督学习提供计算高效的初始化学组织和跨单体家族的快速趋势识别，是低计算开销的探索工具；而特定单体对精确竞聚率预测需要监督学习方法，特别是神经网络，以更高计算需求换取更优精度。数据丰富场景中部署多个簇特异性模型可显著优于单一通用模型；数据有限情境下通用训练方法可能更优，因其能从完整数据集中最大化信息提取。

**研究结论部分的翻译：** 本研究提出了一个框架，将无监督学习衍生的化学信息整合到监督机器学习模型中，用于预测链自由基共聚体系的竞聚率。对单体物理化学特征的谱聚类分析识别出三个不同的化学基团，揭示六种簇相互作用中的特征性反应模式，涵盖从C2–C3相互作用中高度可预测的交替序列（r?≈0.5，r?≈0.1，方差极小）到C1–C1相互作用中可产生从无规到嵌段共聚物构型的大构型空间（r?、r?≈1.1，方差显著）。对两种整合方法的研究表明，尽管直接特征拼接未能超越基线模型性能（R2≈47%），聚类特异性训练成功利用化学组织性，在C1–C1和C1–C2相互作用的预测精度和模型稳定性方面均比通用训练方法获得实质性提升。未来研究应推进该框架走向经实验验证的共聚物设计工作流：系统评估替代监督学习架构和分子表征方法；通过受控共聚实验对未表征单体对进行前瞻性验证；纳入不确定性量化和适用域分析；在获得足够标准化测量数据后将温度、溶剂等实验条件纳入模型，并扩展至三元共聚及其他多组分体系。