TDiMS:基于子结构对拓扑距离的可解释分子内非局部相互作用描述符

《Nature Computational Science》:Revisiting molecular descriptors with TDiMS for interpretable intramolecular interactions based on substructure pairs

【字体: 大 中 小 】 时间:2026年09月18日 来源:Nature Computational Science 20.3

编辑推荐:

   分子描述符在基于机器学习的物理性质预测中,对于表征分子的结构特征起着至关重要的作用。然而,现有的描述符要么仅考虑分子结构的局部方面,要么无法有效学习涉及长距离分子内相互作用的非局部结构特征。为解决这一问题,研究人员提出了一个名为TDiMS(基于子结构的分子内

  

分子描述符在基于机器学习的物理性质预测中,对于表征分子的结构特征起着至关重要的作用。然而,现有的描述符要么仅考虑分子结构的局部方面,要么无法有效学习涉及长距离分子内相互作用的非局部结构特征。为解决这一问题,研究人员提出了一个名为TDiMS(基于子结构的分子内拓扑距离,Topological Distance of Intramolecular SubstructureS)的描述符。TDiMS有效汇总了分子子结构之间穷举的成对拓扑距离(Topological Distance, TD),从而捕捉非局部相互作用。研究人员的评估表明,TDiMS成功识别了大结构中的基本特征,并在预测以子结构间距离为主要因素的性质方面优于其他代表性描述符。此外,这些被识别的特征对材料发现领域的专家具有高度的可解释性。
**论文解读**

**一、研究背景与问题**

材料信息学在过去二十年中极大地推动了材料科学的发展,其核心目标在于缩短材料发现的时间、降低成本并增加材料多样性。预测化学或物理性质是材料设计的核心任务,通常通过定量结构-性质关系(Quantitative Structure-Property Relationship, QSPR)建模来解决。在该框架中,分子描述符(Molecular Descriptor)扮演着关键角色:它们是从分子的简化分子线性输入规范(Simplified Molecular Input Line Entry System, SMILES)表示中系统提取的数值化学特征,以特征向量的形式传递给机器学习(Machine Learning, ML)估计器,从而输出目标性质的预测值。

然而,当前分子描述符面临两个核心挑战。第一,特征必须反映分子的本质结构特性才能建立有效的性质预测模型,这对大分子尤为困难,因为其非局部子结构之间存在复杂的分子内相互作用。第二,特征必须具有可解释性,使领域专家能够理解模型预测结果背后的物理意义。现有的描述符难以同时满足这两个需求:知识驱动型描述符仅关注与基础性质高度相似的属性;枚举型描述符虽然可以穷举子结构模式,但随着数据集增大,模式数量急剧膨胀,采用哈希或仅考虑小模式又会损害准确性和可解释性;基于神经网络(Neural Network, NN)的描述符尽管能自动学习特征表示,却因其黑箱特性无法提供物理洞见。此外,用于训练ML估计器的目标性质数据集往往局限于特定分子,进一步增加了开发有效描述符的难度。基于此,研究人员开展了本项研究,成果发表于《Nature Computational Science》。

**二、研究概述与意义**

研究人员基于分子子结构对,提出了一种通用型描述符TDiMS。TDiMS穷举每个分子中的子结构对,计算每对子结构之间的拓扑距离,并通过去除基于结构包含关系的冗余对以及聚合不同位置相同对的拓扑距离来控制特征数量,从而在不损失信息的前提下处理距离较远的大子结构对。在包含大而复杂分子结构的Chromophore数据集以及作为基准的QM9数据集上,研究人员将TDiMS与五种代表性基线描述符进行了系统比较。结果表明,TDiMS在处理大分子结构方面显著优于其他描述符,且其识别的特征对材料科学专家具有高度可解释性——这些特征与决定光吸收性质的电子迁移距离等物理概念密切相关,可应用于生物传感器、有机电致发光器件和太阳能电池等能源设备的设计。

**三、关键技术方法**

TDiMS算法核心框架包括:将分子表示为带标签节点和边的图结构(不含三维坐标),利用Floyd-Warshall算法计算最短键距矩阵;从Morgan指纹(半径1和2)和哈佛清洁能源项目(Clean Energy Project, CEP)片段以及杂原子中提取子结构;穷举所有子结构对,通过结构包含关系消除冗余对,通过fdup函数(求和或最大值)聚合相同子结构对;以fdis函数(x?2、x?1或x)转换距离值以反映不同的物理效应(如库仑定律或共轭体系长度)。基线描述符包括:Mordred(知识驱动型,可计算超过1,800个二维和三维物理化学特征)、MoLFormer(基于Transformer的化学语言模型,在1亿分子上进行自监督预训练)、MolCLR(基于图同构网络的对比学习模型,在PubChem的1,000万分子上预训练)、Atom-Pair(穷举原子对的最短键距)和MAP4(基于MinHash的Atom-Pair扩展,结合Morgan指纹环状子结构)。数据集方面:Chromophore数据集分别使用CHCl3和CH3OH溶剂体系,以最大吸收波长(λabs.max)和斯托克斯位移(Stokes Shift, Δλ)为目标性质;QM9数据集以最高占据分子轨道(Highest Occupied Molecular Orbital, HOMO)和最低未占据分子轨道(Lowest Unoccupied Molecular Orbital, LUMO)值为目标性质;各随机抽样1,000个分子。预测模型采用LASSO回归、Ridge回归、弹性网络回归和随机森林回归,结合SelectFromModel特征选择和网格搜索超参数优化,采用嵌套交叉验证评估性能。特征重要性通过SHAP(Shapley Additive Explanations)方法计算,并辅以密度泛函理论(Density Functional Theory, DFT)和含时密度泛函理论(Time-Dependent DFT, TD-DFT)进行分子轨道分析。

**四、研究结果**

**(1)TDiMS框架**

TDiMS工作流程分为三个主要阶段:步骤0,接收SMILES格式的分子数据集;步骤1和2,对每个分子穷举所有子结构对,计算每对子结构的拓扑距离——该距离定义为两个子结构中所有重原子对之间最短键距的平均值,并通过两种去重策略控制特征数量,即去除完全包含于较大子结构中的小子结构对,以及聚合不同位置出现的相同子结构对(使用求和或最大值函数);步骤3,基于数据集中所有分子的子结构对生成标准化的特征向量。

**(2)作为独立描述符的预测性能比较**

在1,000个分子的Chromophore和QM9数据集上进行的六项预测任务中,TDiMS在Chromophore数据集的所有预测任务中均优于其他描述符(尽管经过微调的MoLFormer在预测CH3OH中的λabs.max时具有竞争力),有力证明了TDiMS在处理较大分子结构方面的优势。即使将数据集缩减至200个分子,TDiMS仍然表现出稳健的预测性能。此外,神经网络描述符的微调并不总能带来性能提升。

**(3)TDiMS与其他描述符组合时的有效性**

将TDiMS与其他描述符的特征向量拼接后,Chromophore数据集上的R2分数提升不到4%,而QM9数据集上Mordred的拼接带来了超过18%的提升。这表明TDiMS已捕获了Chromophore中大分子的绝大多数有用信息,而QM9中小分子(最多仅含9个重原子)的非局部特征相对不重要。通过SHAP方法计算的分组绝对平均值(group SHAP, gSHAP)进一步证实:TDiMS特征在Chromophore预测中贡献占比远高于在QM9中的占比,而Mordred特征在QM9的LUMO预测中最为重要。这清晰表明,穷举子结构对并计算分子内拓扑距离对于表征大分子是极为有效的策略。

**(4)其他分析**

研究人员通过PubChemQC数据集的偶极矩预测分析,揭示了TDiMS有效性存在与分子大小相关的定量阈值——当分子重原子数超过一定范围时,TDiMS的优势才得以充分体现。此外,对不同TDiMS配置(fdis和fdup函数选择)的性能分析为实际应用中的参数选择提供了指导。

**(5)TDiMS特征在材料科学中的解读——洞见与有效性**

在预测λabs.max和Δλ时,TDiMS通过SHAP值识别的重要子结构对与光物理过程密切相关。排序后的高贡献特征显示,λabs.max和Δλ预测任务各自依赖截然不同的子结构对组合,反映了不同性质背后的材料科学机制——一般而言,这些子结构对与分子和电子结构是决定光学性质的首要因素这一认知高度吻合。

**(6)TDiMS特征与物理化学现象**

基于DFT和TD-DFT的分子轨道分析提供了有力证据:TDiMS成功提取了与电子增减相关的子结构对,而这些子结构对之间的电子迁移距离与λabs.max值的确定密切相关。通过对两个代表性分子的预测与实际Δλ值及其轨道图的对比分析,研究人员证实TDiMS能够充分捕捉光学性质的关键结构信息。

**五、讨论与结论**

TDiMS目前仅处理二维子结构和有限的立体化学信息。与支持完整立体化学的分子标识符MolBar结合是一种互补扩展方向。TDiMS的未来探索路径包括:与基于神经网络的描述符集成,兼顾性能提升和可解释性保障;扩展至水溶性、热稳定性等其他预测任务;建立适合特定目标的定制子结构集方法;扩展至设计新分子以辅助专家的试错优化;以及应用于比发色团更大的分子(如聚合物)和玻璃化转变温度等更具挑战性的预测任务(如半导体应用)。

**研究结论**:TDiMS是一种基于子结构对拓扑距离的新型通用分子描述符,有效克服了现有描述符仅捕捉局部特征或牺牲可解释性的局限。性能评估清晰表明,TDiMS在大分子性质预测中优于其他代表性描述符。分析揭示了TDiMS有效性的定量阈值。有力证据表明TDiMS成功提取了其他方法无法捕获的重要非局部特征。TDiMS特征在材料科学中被视为与物理能量和发色团空间排列相关的重要概念,可应用于生物传感器、有机电致发光器件和太阳能电池等能源设备的设计。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号