基于人工智能预测的全光谱紫外校正因子：一种无需分析物标准品的反应产率定量框架

《JACS Au》：AI-Predicted Full-Spectrum UV Correction Factors: An Analyte-Standard-Free Framework for Reaction Yield Quantification

　　

高通量实验（High-Throughput Experimentation, HTE）加速了分子发现进程，但在缺乏纯分析物标准品的情况下难以对产率进行定量。当前对标准品纯化的需求增加了成本、复杂性和周期时间，限制了新分子发现的可扩展性。本文中，研究人员引入了一种集成的"检测-预测"框架，利用人工智能（Artificial Intelligence, AI）实现无分析物标准品的产率定量。该方法通过将量子化学（Quantum Chemistry, QC）对22,609个化合物的预训练（覆盖广泛的化学空间）与对1,845条LC-UV光谱的实验微调相结合，分层训练全光谱紫外校正因子（Correction Factor, CF）的预测模型，以适应真实仪器条件，从而缓解计算域与实验域之间的光谱不连续性和数据异质性。这些预测的CF值使得从紫外吸光度数据中直接定量分析物浓度和反应产率成为可能。研究人员通过三个独立测试案例验证了该框架的准确性。首先，针对144个已知实验浓度的FDA化合物进行了浓度估算测试。其次，将178个真实反应（涵盖酰胺偶联、Suzuki–Miyaura偶联、S_N2和Buchwald-Hartwig转化）的产率定量与基于校准曲线的产率进行了比较，平均绝对误差为4.7%。最后，将模型量化的产率与60个反应的分离产率进行了比较，作为实际压力测试。系统性的正偏差与粗品分析产率和纯化后分离产率之间的预期差异一致，使化学家能够区分反应表现与后处理损失。这一能力对于实际优化中的决策至关重要。该AI驱动的"检测-预测"框架为传统的"检测-纯化-定量"工作流程提供了替代方案，为HTE加速的分子发现奠定了更快速、更具可扩展性的基础。

**论文解读**

**一、研究背景与问题**

高通量实验（High-Throughput Experimentation, HTE）和机器学习正在彻底改变新化学实体（New Chemical Entities, NCEs）的合成与表征方式。20世纪的分子发现模式涉及合成、纯化并将新制备的化合物归档于实体化合物库中，其规模足以支持未来的研究需求；而现代精简化的策略通常仅制备足以进行初步性能评估的材料量，只有少数被选中的化合物才会进行规模化的再合成。这种HTE驱动的策略能够快速探索有前景的化学空间，但也带来了一个关键挑战：在分子发现的早期阶段，绝大多数新分子缺乏已知纯度的真实标准品。传统的纯化和表征工作流程在如此高通量的背景下过于耗时且昂贵。因此，开发新的策略以定量新合成化合物的浓度和反应产率，已成为高通量分子发现中一个活跃且至关重要的研究前沿。

通用型检测方法（如CAD、ELSD、CLND、GC-FID、NMR）虽能提供一定程度的结构无关定量，但其线性范围、灵敏度、通量或成本方面的限制往往使其不适用于高通量工作流程。液相色谱（Liquid Chromatography, LC）联用紫外光谱（Ultraviolet, UV）检测因其快速性和可及性而仍是分析的主流手段，但其定量依赖于摩尔吸光系数（molar absorptivity, ε），这是一个与分子结构和溶剂环境内禀相关的性质。同样，LC-MS虽灵敏度高，但需要利用纯标准品构建校准曲线，在高多样性筛选中对新化合物形成了瓶颈。长期以来，紫外光谱预测的潜力已被认识到能够应对这一"无标准品定量"的挑战。计算方法从早期的经验规则，到量子化学（Quantum Chemistry, QC）计算，再到用于ε预测的机器学习方法，已有长足发展，但现有模型仍缺乏实现实用化无分析物标准品定量所需的准确性和稳健性。

此外，传统的做法是在单一波长（如220或254 nm）对紫外吸收峰面积进行积分以定量产率，但准确预测给定波长处的吸光度极具挑战性：分子间的ε值差异巨大，且吸光度与波长之间常呈现"悬崖式"关系，数纳米的波长偏移即可能导致吸光度数量级的变化；同时，对"最红端吸收峰"的清晰鉴定往往存在歧义。因此，研究人员将关注点转向全光谱紫外信息，利用三维LC-UV数据（波长×强度对HPLC保留时间）实现定量且稳健的产率和浓度测定。

与此同时，基于化学结构的机器学习模型开发还受到数据限制的制约。此类模型的训练数据通常来自两个次优来源：一是在标准化条件下收集的小规模、精心整理的数据集，但缺乏结构多样性和泛化能力；二是更大的文献汇编数据集，但存在实验方案不一致、变量未记录和阴性结果缺失等问题。在此背景下，研究人员提出了一种新颖的方法，利用全紫外光谱校正因子（Correction Factor, CF）预测，在无需物理分离标准品的情况下实现准确的浓度和产率测定。

**二、关键技术方法概述**

该模型架构将图Transformer（Graph Transformer）层与Kolmogorov-Arnold网络（KAN）相结合，以对图结构数据进行表达性建模。分子图表示通过65维节点特征向量（涵盖原子符号、手性、度、形式电荷、氢原子数、自由基电子、杂化态、芳香性和环成员资格的单热编码）和13维边特征（捕获键类型、立体化学和共轭信息）进行编码，经线性投影至64维潜在空间。12个堆叠的GraphGPS层进行核心图处理，每层结合门控消息传递机制和多头Transformer注意力（4头）分别捕获局部结构模式和全局图上下文；经加和池化获得图级表征后线性投影至192维。KAN以拓扑结构和网格大小3替代传统多层感知机，对汇聚后的图特征进行可学习的样条基激活函数非线性映射，最终经Softplus激活输出正值预测。训练采用两阶段迁移学习策略：预训练阶段使用21,585个QC计算的CF值，以Adam优化器和MSE损失在NVIDIA H20 GPU上进行；微调阶段使用1,845个实验LC-UV数据（训练1,760/验证50/测试35），采用OneCycleLR调度器进行50个周期的优化。独立基准测试数据集包括：144个已知浓度的FDA批准药物分子溶液；178个涵盖四种反应类型（酰胺偶联、Suzuki-Miyaura交叉偶联、S_N2亲核取代、Buchwald-Hartwig交叉偶联）在25种条件下的真实化学转化；以及34个Suzuki-Miyaura和26个Minisci反应——后者的34个Suzuki反应筛选自包含78,000个内部反应的HTE数据库，Minisci反应以易得的醇类为烷基自由基前体设计。

**三、研究结果**

**（1）FDA化合物浓度估算基准测试**

针对144个FDA批准药物分子的基准测试结果显示，QC计算的CF值与实验测量值高度一致，R²=0.882，总体MAE=0.090，MAPE=12.2%，表明QC计算能稳健捕获结构-性质关系，验证了将其作为预训练数据集的合理性。仅使用QC数据预训练的模型已展现出较强的CF预测性能（R²=0.845，MAE=0.105，MAPE=14.9%）。微调后模型在高精度预测区域（绝对误差<0.1）内的表现优于预训练模型，该区域占比为69.4%。由预测CF_t^pred推导的浓度表现R²=0.719，MAE=0.167 μmol/mL，MAPE=15.1%，75.7%的预测值相对误差在20%以内。此外，包含1,845个更简单类先导化合物的数据集也得出了一致结论。

**（2）真实反应产率定量验证**

针对178个真实反应的产率定量验证中，预测CF值与实验测量值在所有反应类型中均表现出强一致性（R²=0.943，MAE=0.057，MAPE=11.4%），对应的浓度计算结果为R²=0.922，MAE=5.569 μmol/mL。量化产率与参考值之间的相关性为Y_t^pred=1.009×Y_t^exp+1.322，R²=0.948，MAE=4.744，MAPE=11.2%，59.0%的反应产率误差在5%以内，88.8%在10%以内。在产物水平上进行重新分析得到的MAE=4.72%和R²=0.938，与反应水平的数值几乎一致，证实准确性反映了真正的分子泛化能力。按反应类型细分显示，Suzuki–Miyaura反应准确度最高（MAE=2.69%），酰胺偶联因结构多样性更大而MAE略高（6.42%）。

**（3）与分离产率的实际压力测试对比**

在34个Suzuki-Miyaura和26个Minisci反应的实际压力测试中，模型量化产率相对于分离产率表现出系统性正偏差，MAE分别为38.0%和33.9%。这一偏差具有明确的物理解释：在毫摩尔级小规模合成中，分离过程因固定相保留、进样效率、馏分收集、溶液转移和蒸发等因素产生显著的不可避免的纯化损失，分离产率是真实反应化学输出与物理回收效率的卷积。AI模型代表的是HPLC分析阶段粗品混合物的产率定量，反映了纯化损失前的化学产率。尽管存在绝对偏差，该AI驱动方法在捕获潜在化学趋势方面表现出竞争性或优越的性能：对于Suzuki-Miyaura反应，其与分离产率的Pearson相关系数为0.492，优于基于UV面积的方法（220 nm为0.239、254 nm为0.047、全光谱为0.352）；对于Minisci反应，AI方法为0.560，与220 nm方法相当但大多数AI量化产率大于分离产率，表明反映的是后处理纯化损失前的反应产率。

**（4）适用域分析**

基于Tanimoto相似性（ECFP4，半径2，2048位）的系统误差分析揭示了单调递减的泛化模式：FDA分子中有49%与微调集的最大Tanimoto相似性低于0.30，构成严格的分布外测试集，性能随相似性降低单调递减——从T_max在0.50–0.70区间的MAE=0.057下降至0.10–0.20区间的MAE=0.122，R²从0.932下降至0.664，说明即使在训练分布的最远端，模型仍保留有意义的预测能力。按CF实验值分层分析揭示了乘性误差结构——MAE随CF量级增加而增大，而MAPE在各CF区间保持稳定在9.4–16.4%。这为部署提供了一个分层决策框架。

**四、讨论与结论**

在稳健性方面，内标设计抵消了梯度形状、检测器漂移、进样体积变异及仪器间变异的一阶效应；所有数据均在二极管阵列检测器的经验证线性范围内采集；对共洗脱问题，通过全紫外光谱积分结合LC-MS峰鉴定和保留时间维度的峰拟合进行信号恢复。模型比较与消融研究表明，GT+KAN模型在分布外FDA分子上的性能显著优于传统的基于指纹的模型，且KAN模块对跨分布泛化有进一步贡献；在与参数匹配的Chemprop MPNN对比中，GT+KAN在测试集上的R²略高（0.921 vs 0.908），显示出其与当前最优图神经网络架构的可竞争性。

结论部分指出，本文通过引入集成的"检测-预测"框架，解决了HTE驱动分子发现中可扩展性与准确性之间的长期权衡问题。该框架能够为真实条件下进行的反应提供稳健的产率定量（59.0%的反应产率估算绝对误差<5%，88.8%误差<10%），这一能力可归因于三项贡献：（1）利用整个紫外光谱范围的LC-UV数据预测CF；（2）使用结构多样化虚拟化合物库的QC计算紫外光谱进行预训练以有效捕获关键结构-性质关系；（3）使用统一实验方案收集数据用于模型微调以减少预测异常值。通过分层训练预测模型——在QC数据（22,609个化合物）上预训练以实现化学空间覆盖，在实验HTE数据（1,845个化合物）上微调以实现真实世界保真度——研究人员弥合了基于紫外光谱的产率定量中长期存在的"数据多样性-质量鸿沟"。最终与60个多样化反应的对比表明，AI量化产率呈现出系统性、物理上可解释的正偏差，与纯化损失一致。该方法通过AI驱动的LC-UV分析，实现了无需物理分离的直接产率定量，将优化周期从数周加速至数天，同时消除了溶剂密集型的纯化步骤，符合绿色化学原则。互补分析表明，QC计算平均每个分子需要121.5核心小时，而GT+KAN模型在毫秒内完成推理，实现了10⁵–10⁶倍的加速；基于扰动的可解释性分析证实模型正确地将共轭π系统识别为吸收光谱CF的主要贡献者，与量子力学基本原理一致。未来工作将聚焦于开发自动化高通量实验工作流程和标准化数据采集方案，以进一步增强该AI赋能反应产率定量方法的准确性和广泛适用性。