基于分子骨架和取代基，利用图神经网络进行含能材料的高通量组合设计

《Chinese Journal of Chemical Engineering》：High-throughput combinatorial design of energetic materials based on molecular skeletons and substituents by graph neural network

　　

• •
  通过组合策略生成了 1.58 亿个含氮分子。
• •
  通过图神经网络（GNN）实现了爆轰性能的高通量预测。
• •
  发现了 243 种具有优异爆轰性能的新分子。

引言

含能分子是军民两用关键材料，已广泛应用于炸药、推进剂及相关领域^[1]。下游应用领域的快速发展以及能源革命的深入推进，对含能材料的性能提出了新的更高要求，使得下一代含能材料的开发日益紧迫。新型含能分子的理论设计可以有效克服实验研究相关的复杂性和潜在危险，逐渐成为含能材料研究的焦点[2], [3], [4], [5]。

根据分子结构准确预测给定含能材料的性能构成了理论设计过程的基础[6], [7], [8], [9]。与传统理论计算方法相比，基于机器学习（ML）的方法在快速预测大量含能分子方面展现了优越的能力[10], [11], [12], [13]。Guo 等^[14]训练了一个令人满意的代理机器学习模型来预测爆轰热，协助从 PubChem 数据库中筛选了 262 种含能材料。卷积神经网络模型已成功从电子结构预测了超过 20,000 个分子的含能材料性能^[8]。在我们先前的工作中^[15]，训练了一个单层神经网络来准确预测含氮含能分子的密度、爆轰速度和爆轰压力。值得注意的是，开发具有良好普适性的稳健模型长期以来一直是该研究领域的关键目标。

构建包含潜在有趣分子的合适化学空间是含能材料设计的另一个重要步骤 [16], [17]。基于现有的分子数据库（例如, GDB[18], [19], QM9^[20], ZINC20^[21], PubChem^[22]），人们越来越有兴趣生成新的定制化数据库。分子骨架和取代基的排列组合是分子生成的一种稳健且高效的策略。Song 及其同事使用 12 种杂环分子骨架（五元唑和恶二唑环）和 7 个取代基（如甲基、甲氧基、硝酸酯/硝胺烷基链）生成了 3892 个新的候选分子^[17]。Wen 等^[23]从 ZINC 数据库筛选可用的笼状骨架并制定相应的硝化取代方案，以设计零氧平衡笼形炸药。Liu 等^[24]通过组合设计从 ZINC20 数据库获得的 171 种芳香恶唑基骨架和 10 种官能团，构建了一个包含超过 10⁷ 个潜在含能分子的化学空间。这些大规模分子结构数据库可用于后续对杰出含能分子的高通量筛选。使用变分自编码器（VAE）和生成对抗网络（GAN）的新型生成式 AI 技术绕过了预定义分子骨架的限制^[25]。此类模型自主地从大规模含能材料数据集中提取隐式结构 - 性能关系。虽然 AI 极大地拓宽了化学探索空间，但许多 AI 生成的结构化学可解释性较差，且相关算法需要大量的计算资源。

本文实施了图神经网络（GNN）模型和“骨架 + 取代基”组合策略来设计含氮含能分子。它保留了化学合理性清晰的优点，并整合了机器学习辅助的虚拟筛选。首先，构建了一个包含 800 个含氮分子及其爆轰性能的小型数据库。然后，开发并训练了一个 GNN 模型，根据分子结构预测爆轰性能。同时，通过组合 400 个分子骨架和 9 个取代基生成了 1.58 亿个分子，并使用所开发的 GNN 模型预测了它们的爆轰性能。最后，设定了两级标准来进行高通量筛选，以找出潜在有趣的含能分子。本工作的总体框架如图 1 所示。

章节摘要

数据库准备

构建了一个小型数据库，包含 800 个环状含氮分子结构及其爆轰性能，包括密度（ρ）、爆轰速度（D）和爆轰压力（P）。这三个参数（ρ、D 和 P）是评估爆炸性能的核心指标。在该数据库中，411 个样本源自我们先前建立的数据库，且全部通过量子化学方法计算^[15]。同时，其余 389 个样本是通过

环状含氮分子爆轰性能预测

使用所开发的 GNN 模型预测了 800 个环状含氮分子的密度（ρ）、爆轰速度（D）和爆轰压力（P），结果如图 4 所示。在测试集上预测 ρ、D 和 P 的决定系数（R²）值分别为 0.8872、0.7888 和 0.8686，与我们先前使用单层神经网络（SLNN）预测这些性能的结果相比，平均提高了 7.9%

结论

总之，我们开发了一种含氮分子的图神经网络模型来预测其爆轰性能，其准确性高于我们先前使用的单层神经网络模型。使用“骨架 + 取代基”范式，基于 400 个含氮骨架和 9 个含氮取代基，建立了一个包含超过 1.58 亿个含氮分子的化学空间 NM-01。预测了所生成分子的爆轰性能（ρ、D 和 P）

CRediT 作者贡献声明

Guozhu Li：验证、监督、资源、项目管理、方法论、资金获取、概念化。Yifan Liu：软件、方法论、概念化。Fang Hou：软件、方法论、数据管理、概念化。YaPing Peng：软件、概念化。Pengzhi Mao：软件、概念化。Xiangwen Zhang：验证、资源、资金获取

利益冲突声明

作者声明他们没有任何已知的竞争性财务利益或个人关系，这些关系可能会影响本文报告的工作。

利益声明

?作者声明他们没有任何已知的竞争性财务利益或个人关系，这些关系可能会影响本文报告的工作。

致谢

作者感谢中国国家自然科学基金（U2341278、22178248）、国家重点研发计划（2023YFlB4103000）以及海河可持续化学转化实验室的财政支持。DFT 计算（Gaussian 09）是在天津国家超算中心的天河一号（A）上完成的。

Fang Hou|Yifan Liu|Pengzhi Mao|Yaping Peng|Xiangwen Zhang|Guozhu Li