基于BEBOP键能描述符的低数据机器学习:热塑性聚氨酯回收封端剂设计

《Advanced Intelligent Discovery》:Bond Energy Descriptors Enable Machine Learning With Limited Data: Design of Capping Agents for Thermoplastic Polyurethane Recycling

【字体: 大 中 小 】 时间:2026年10月21日 来源:Advanced Intelligent Discovery

编辑推荐:

  当实验数据仍稀缺、昂贵且含噪时,化学中的大数据方法会受挫。在此,研究人员证明物理信息描述符可克服这一限制,并在严重受限的数据集上实现准确预测。研究人员以封端二异氰酸酯解封为测试案例,引入由键级与布居键能(bond energies from bond orde

  
当实验数据仍稀缺、昂贵且含噪时,化学中的大数据方法会受挫。在此,研究人员证明物理信息描述符可克服这一限制,并在严重受限的数据集上实现准确预测。研究人员以封端二异氰酸酯解封为测试案例,引入由键级与布居键能(bond energies from bond orders and populations,BEBOP)方法衍生的描述符;这些描述符以较低计算成本刻画电子结构与成键。仅用19种实验化合物训练,基于BEBOP的LASSO回归在227–323 °C范围内、完全嵌套留一法交叉验证(leave-one-out cross-validation,LOOCV)下,以11 °C的均方根误差(root mean square error,RMSE)预测解封温度,而传统分子描述符未能产生任何有意义的相关性。研究人员在两个新化合物上验证所得的物理可解释模型,其中一个位于训练范围内,另一个位于训练范围外。将物理洞见嵌入描述符而非依赖算法复杂性,可使数据需求降低一个数量级,并为大数据不可行的分子设计问题提供可推广策略。
论文解读

研究背景与问题:机器学习(machine learning,ML)通常依赖大数据集预测分子性质,但工业化学中高质量实验测量稀缺、缓慢、昂贵且常为专有数据;文献数据因条件不一致难以聚合。面对低数据问题,深度神经网络、图卷积网络和注意力机制等虽可学习复杂结构–性质关系,却需要大训练集以避免过拟合,因而加剧数据稀缺。已有策略将化学知识编码到描述符中,如密度泛函理论(density functional theory,DFT)衍生位阻与电子参数、机理信息描述符、量子力学反应性描述符及分层模型,但多数仍需50至数百次测量,或依赖深度学习流程、数千个过渡态优化。该研究因此提出将控制目标性质的键级物理直接编码进描述符,以在极小数据下实现可解释预测。

研究设计与结论意义:研究人员以封端二异氰酸酯解封为测试案例。封端异氰酸酯在聚氨酯涂料、黏合剂和聚合物回收中实现可控反应性,并在解封温度(Tdeblock)可逆解离为封端剂和游离异氰酸酯;该过程需断裂N─H与C─O或C─N键,使Tdeblock与BEBOP键能机制关联。研究人员合成19种封端二异氰酸酯加合物,覆盖醇、肟、胺和杂环等封端剂类别,以热重分析(thermogravimetric analysis,TGA)测定Tdeblock;将BEBOP描述符与LASSO回归结合,并在完全嵌套LOOCV下评估,再用两个新化合物外部验证。结果表明,仅19个训练点即可在约11 °C RMSE内预测Tdeblock,而常规量子化学与化学信息学描述符无有意义相关性;模型保持可解释并可直接转化为封端剂设计规则。其意义在于证明将物理洞见嵌入描述符而非依赖算法复杂性,可将数据需求降低一个数量级,为大数据不可行的分子设计提供可推广策略。

关键技术方法(≤250字):样本队列来源为研究人员实验合成的19种封端二异氰酸酯加合物(封端剂类别参照既往文献)及2个新合成外部验证化合物。研究人员以TGA导数质量损失曲线最小值定义Tdeblock;用单点Hartree–Fock与最小布居(MinPop)轨道计算BEBOP键能、杂化能与共振稳定能;以Pearson相关筛选共线特征;用LASSO回归、完全嵌套LOOCV和消融分析建模;并比较随机森林、梯度提升、高斯过程回归(Gaussian process regression,GPR)、岭回归、普通最小二乘(ordinary least squares,OLS)及Weinhold’s natural bond orbital(NBO)/Mulliken布居替代描述符。

结果与讨论(2 Results and Discussion;原文未设独立二级小标题,以下按原文图题与段落主题归纳):实验系统与数据景观(Experimental system and data landscape)方面,4,4′-Diphenylmethane diisocyanate(MDI)与亲核封端剂形成热可逆加合物,解封再生反应性异氰酸酯;Tdeblock定义为导数质量损失曲线最小值,19种化合物Tdeblock跨227–323 °C,显示对封端剂化学强敏感。描述符选择(Descriptor selection)方面,初始常规描述符包括DFT前线轨道能量、G4MP2去质子化焓、亲核性指数、RDKit摩尔体积与回转半径及氨酯/脲分类变量;Pearson相关去除|r|>0.9共线特征后保留四个常规描述符加分类变量。仅用常规描述符时,LASSO在完全嵌套交叉验证下RMSE为36.8 °C,R2为负;随机森林、梯度提升和GPR均失败,说明限制在于描述符信息内容而非算法。物理信息描述符使低数据预测成为可能(Physics-informed descriptors enable prediction in the low-data regime)方面,研究人员加入四个BEBOP特征:解封断裂两键的总键能(C─O或C─N,N─H)、裂解位点杂原子杂化能和封端剂共振稳定能;N─H键能在各封端剂中近似恒定(变异系数1.3%),建模前剔除,最终用其余三个BEBOP特征共八个描述符。机制上,解封为异氰酸酯亲核加成的微观逆反应,Bell–Evans–Polanyi关系支持基态键描述符追踪解离势垒;裂解位点键解离能已报道与Tdeblock相关。Pearson相关显示三个最强相关均为BEBOP量:共振能|r|=0.66,两个总键能|r|=0.58和0.56;最佳常规描述符摩尔体积仅|r|=0.40,亲核性指数|r|=0.02。交叉验证中,描述符选择、标准化和LASSO惩罚均在每个留一折内重复;九描述符候选池的完全嵌套协议RMSE为16.1 °C(R2=0.71),非嵌套为11.7 °C;剔除近恒定N─H后RMSE为11.1 °C(R2=0.86),固定八个描述符结果相同,较五个常规描述符改善25.7 °C(bootstrap 95% CI [19.2,32.3] °C,p=0.0001)。LASSO优于随机森林24.6 °C、梯度提升19.8 °C和GPR16.8 °C;岭回归12.6 °C和OLS13.9 °C与LASSO统计不可区分,但无BEBOP时所有算法R2≤0。可解释性与消融显示,LASSO保留八个描述符中的七个(HOMO–LUMO gap系数收缩为零),系数为拟合权重而非重要性;移除去质子化焓误差升至29.3 °C,移除裂解位点杂原子杂化能升至27.5 °C(95% CI [+10.7,+22.2] °C),移除氨酯/脲标志升至26.3 °C,移除摩尔体积升至23.7 °C;移除总键能或共振能变化小于1.5 °C,但共振能对外部化合物重要。设计规则为:提高Tdeblock应选高杂原子杂化能、弱离去基团(高去质子化焓)和大位阻封端剂;降低则相反。外部验证中,2-octanone oxime实验Tdeblock=246.0 °C,LASSO预测255.4 °C(误差?9.4 °C),属插值;2-hydroxyethyl methacrylate实验Tdeblock=304.8 °C,预测283.4 °C(误差+21.4 °C),属外推且杠杆分析位于适用域外,因饱和官能团训练的描述符不能完全刻画α,β-不饱和酯电子效应。非线性模型对该化合物误差较小(随机森林11.2 °C、梯度提升2.8 °C、GPR7.5 °C),但其交叉验证误差为17–25 °C,LASSO为11 °C,故小误差反映偶然抵消而非预测力。残差分析显示LASSO在227–323 °C范围内无系统偏差;无BEBOP模型则对低温化合物高估、对高温化合物低估。候选描述符空间亦关键:不按机制限制而扩大候选池时,嵌套误差升至37.2 °C,与不含成键描述符模型不可区分;19样本下预测力来自将描述符池限制到断裂键。替代布居分析中,用Weinhold’s NBO或MinPop Mulliken布居的对应量替代杂化能和总键能,LASSO RMSE为10.7和11.1 °C,与BEBOP模型统计不可区分,三个重组描述符|r|≥0.996;BEBOP的共振能在其他两种布居分析中无对应量,但使三模型外部集误差一致。

讨论与结论:讨论部分指出两个限制:模型仅在19种化合物上训练并在两个化合物上外部验证,外部证据确立插值可靠性并提示而非测量外推极限;杠杆分析将2-hydroxyethyl methacrylate识别为适用域外,其较大误差可预期。该工作建立具有明确机制依据的预测性结构–性质关系,而非动力学机制研究;TGA测得的Tdeblock卷积基元解离、挥发和质量传递贡献,解析这些贡献需跨升温速率的显式动力学测量与过渡态表征。研究结论(3 Conclusions)翻译:总之,仅使用19种化合物,BEBOP描述符与简单线性模型配对,可在约11 °C RMSE内预测解封温度,而传统量子化学和化学信息学描述符未捕获有意义相关性。实验验证支持可靠插值和合理外推。重要的是,模型保持完全可解释,揭示哪些分子特征控制热解离,并直接转化为化学设计指导。两个局限界定这些结论。第一,模型在19种化合物上训练、在两个化合物上外部验证,因此外部证据确立插值可靠性并提示而非测量外推极限。杠杆分析将2-hydroxyethyl methacrylate识别为位于适用域外,其较大误差因此可预期。第二,研究人员强调本工作建立具有明确机制依据的预测性结构–性质关系,而非动力学机制研究。热重解封温度将基元解离步骤与挥发和质量传递贡献卷积,解析这些贡献需要在不同升温速率下进行显式动力学测量并表征过渡态。尽管封端二异氰酸酯作为测试案例,但只要满足三个条件,该策略将广泛迁移:目标性质的控制物理须充分理解以识别相关描述符;计算这些描述符的成本须低于生成实验数据;模型须足够简单以在小样本量下抵抗过拟合。BEBOP与LASSO组合对热键解离满足三者,每分子仅需一次Hartree–Fock计算(通常CPU时间数秒至数分钟),而实验研究需数小时至数天。LASSO假设描述符线性可加;对于非线性响应,诸如SISSO的符号回归可在保持模型为单一人类可读方程的同时捕获非线性,只要搜索受到足够约束以避免此样本量下过拟合。研究人员将此留待未来工作。物理信息机器学习不消除实验;它通过将合成和表征集中于最有希望的候选物来锐化实验。通过展示从比传统ML所需小一个数量级的数据集中涌现有意义预测,本工作将分子设计扩展到大数据难以或不可能获得的化学空间。
相关新闻
生物通微信公众号
微信
新浪微博

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