《Chemistry》:Surfactant Temperature-Dependent Critical Micelle Concentration Prediction with Uncertainty-Aware Graph Neural Network
Musa Sh. Adygamov,
Emil R. Saifullin,
Timur R. Gimadiev and
Nikita Yu. Serov
编辑推荐:
临界胶束浓度(critical micelle concentration, CMC)是表面活性剂的一项基本物理化学性质,对多个行业具有重要影响。研究人员提出了一种不确定性感知图神经网络(graph neural network, GNN),该网络整合了分子结
临界胶束浓度(critical micelle concentration, CMC)是表面活性剂的一项基本物理化学性质,对多个行业具有重要影响。研究人员提出了一种不确定性感知图神经网络(graph neural network, GNN),该网络整合了分子结构和温度,可同时预测CMC值及其预测不确定性。通过在一个包含2133个带温度注释的CMC值精选数据集上训练,研究人员的GNN在来自类似工作的两个外部测试集上取得了比较相似的性能。该模型提供了充分校准的不确定性估计,能够可靠地量化预测置信度。这种双输出方法实现了具有可量化置信区间的可靠CMC预测,满足了安全关键应用中对不确定性低估可能造成严重后果的实际需求。
**论文解读文章**
**研究背景与问题**
临界胶束浓度(critical micelle concentration, CMC)是表面活性剂最重要的物理化学性质之一,直接影响其在化妆品、制药、日化、矿业及石油天然气等行业的应用效能。CMC与表面活性剂的表面活性、有效浓度、毒性、生物活性等关键特性直接或间接相关。然而,由于表面活性剂结构多样性巨大,目前尚无完整的理论方法能根据分子结构预测CMC。传统方法如分子动力学(molecular dynamics, MD)模拟和基于量子化学的定量结构-性质关系(quantitative structure–property relationship, QSPR)模型计算成本高,且难以充分纳入结构特征的影响。机器学习(machine learning, ML)方法已取得进展,但现有的图神经网络(graph neural network, GNN)模型要么未考虑温度依赖性(如Moriarty等人的GNN/高斯过程模型),要么虽然考虑了温度但无法同时预测不确定性(如H?dl等人的Attentive FP模型和Brozos等人的GNN集成模型)。此外,数据稀缺问题长期存在:早期数据集仅约200个实验值,且主要集中于一两类表面活性剂;近期数据集虽扩大到1000余个数据点,但仍面临数据多样化不足、实验条件不一致以及某些表面活性剂类别代表性不足的挑战。因此,亟需开发一种能够同时考虑温度影响、提供可靠预测置信区间且具备良好泛化能力的CMC预测模型。
**研究内容与结论**
研究人员通过整合多个开放来源的数据集,构建了一个包含2133个带温度注释的CMC值的精选数据集(对应1815种独特表面活性剂)。在此基础上,提出了一种不确定性感知的GNN模型,该模型采用层级深度学习架构,通过分子编码器(MoleculeEncoder,基于Graphormer原理,并使用从RxnMap预训练模型迁移的权重)提取分子图的高维度表示,同时用独立的温度多层感知器(multilayer perceptron, MLP)处理温度标量输入,最终通过融合MLP同时输出预测的对数CMC(log CMC)值和对数方差(代表异方差不确定性)。研究人员探索了三种GNN架构(Architecture № 1、 № 2、 № 3),其中Architecture № 2和 № 3通过更早地拼接温度特征来增强温度对预测的影响。模型使用结合均方误差(mean squared error, MSE)和负对数似然(negative log-likelihood, NLL)的改进损失函数进行训练,平衡预测精度与不确定性校准。训练集包含1933个数据点,验证集200个数据点(按表面活性剂类别频率分层抽样)。模型在H?dl等人(2025)和Brozos等人(2024)的两个外部测试集上进行评估。结果表明,所提出的GNN模型在预测性能上显著优于基于指纹的随机森林(Random Forest, RF)和XGBoost基线模型。最佳架构(Architecture № 1在H?dl测试集上R2=0.882,RMSE=0.347;Architecture № 3在Brozos测试集上R2=0.874,RMSE=0.362)与H?dl等人的单性质预测模型性能相当,但弱于Brozos等人的模型(后者得益于其专有数据集中更丰富的温度依赖性信息)。不确定性分析显示,模型的不确定性估计与绝对预测误差之间的斯皮尔曼秩相关系数(Spearman ρ)达到约0.3(Architecture № 3总体最优),表明模型能够反映数据固有的可变性和实验误差。校准分析表明,模型在高置信度阈值(2σ和3σ区间)下接近理想高斯覆盖(分别为94.95%和97.71%),1σ区间略高(74.77%)。此外,Architecture № 2和 № 3能捕获U形和单调递减的温度-CMC关系,而Architecture № 1仅能捕获单调递增或具有最大值在30–40 °C的非单调关系。该研究发表于《Chemistry》。
**关键技术方法**
(1)数据整合与预处理:从六个开放来源(包括Qin数据集、Mukerjee书籍、Chen数据集、H?dl数据集、美国国家标准与技术研究院(National Institute of Standards and Technology, NIST)数据收集以及多个单篇文献)收集3478个数据点,经过结构规范化学(SMILES规范化和立体异构体审查)、精确重复项去除(相同SMILES、温度和log CMC值的条目平均化)、温度依赖性人工分析(剔除显著偏离单调或U形关系的数据点)、原始来源验证、分子结构手动检查、NIST数据按测量方法(优先表面张力和电导法)筛选等步骤,最终得到2133个log CMC值与对应温度的精选数据集(排除两个外部测试集)。样本队列来源包括H?dl等人测试集(140个数据点,表面活性剂类型多样,log CMC范围-0.5至-6.0,分子质量174–1196 g/mol)和Brozos等人测试集(218个数据点,评估温度依赖性,log CMC范围0.2至-4.7,分子质量90–663 g/mol)。
(2)描述符基线模型:使用RDKit生成1024位分子指纹(fingerprint, FP,路径长度2–14键),结合温度作为输入特征,训练随机森林回归器(Random Forest Regressor, RF)和XGBoost回归器(XGB),经Optuna贝叶斯优化(5折交叉验证)调参。
(3)不确定性感知GNN模型:采用层次深度学习架构,核心组件包括:基于Graphormer的分子编码器(从RxnMap预训练模型迁移权重,输出1024维表示)、温度MLP(三层线性层+批归一化+PReLU激活)、拼接MLP(融合分子和温度特征)以及两个独立MLP(在Architecture № 3中分别预测log CMC和对数方差)。使用AdamW优化器、余弦退火学习率调度(预热25轮)和早停法。损失函数结合MSE和负对数似然项,超参数λ设为1。
**研究结果**
**3.1 数据集准备**
**3.1.1 总体**:通过整合六个开放来源的数据,经过严格清理和验证(包括结构规范、重复项处理、温度依赖性人工分析、原始来源核实等),最终得到2133个log CMC值(对应1815种独特表面活性剂)。
**3.1.2 温度**:温度分布呈现高度偏斜,约72%的测量在25 °C进行,7%低于25 °C,21%高于25 °C。温度-CMC关系示例展示了阳离子和阴离子表面活性剂的U形关系(分别在30 °C和45 °C达到最小值)、糖基表面活性剂的U形关系(45 °C最小值)、非离子表面活性剂的单调递减关系(40 °C最小值)以及两性离子表面活性剂的非单调关系(35 °C最大值)。
**3.1.3 分子质量**:分子质量超过~1098 g/mol的结构因稀缺(<1%)被排除,最终数据集的平均分子质量约500 g/mol,呈略微左偏的高斯分布。
**3.1.4 表面活性剂类型**:数据集中包含438种双子阳离子、417种非离子、377种阴离子、361种阳离子、153种糖基非离子、58种两性离子、10种双子两性离子和1种双子阴离子表面活性剂。log CMC值的中位数为-3.0,较低(<-5)和较高(>-1)的值较为稀少。
**3.2 训练与验证集准备**:将数据集分为训练集(1933个数据点)和验证集(200个数据点,按类别频率分层抽样,其中~70%为25 °C测量,~24%高于25 °C)。
**3.3 建模**
**3.3.1 RF和XGB模型的预测性能**:通过贝叶斯优化调参,RF在5折交叉验证中获得RMSE=0.651,XGB获得RMSE=0.650。在外部测试集上,XGB在Brozos测试集上取得最佳R2=0.778、RMSE=0.488;RF在H?dl测试集上取得最佳R2=0.695、RMSE=0.592。
**3.3.2 GNN模型的预测性能及与先前研究比较**:所有三种GNN架构在外部测试集上的性能均优于RF和XGB基线。Architecture № 1在H?dl测试集上达到R2=0.882、RMSE=0.347;Architecture № 3在Brozos测试集上达到R2=0.874、RMSE=0.362。温度关系图分析表明,Architecture № 2和 № 3能捕获U形和单调递减关系,而Architecture № 1只能捕获单调递增或具最大值的关系。
**4 GNN模型不确定性预测分析**:不确定性量化通过绝对预测误差与不确定性分数的斯皮尔曼秩相关系数ρ评估。Architecture № 3在两个测试集上整体表现最佳(ρ=0.30)。不确定性校准分析显示,模型在1σ、2σ和3σ区间的覆盖率分别为74.77%、94.95%和97.71%,接近目标高斯分布(68.27%、95.45%、99.73%),表明校准良好。散点图分析显示,较低的预测log CMC值通常伴随较高的预测不确定性,反映了低CMC值在数据集中的代表性不足。
**总结与讨论**
研究结论部分翻译如下:
来自多个来源的数据被整合成一个包含2133个CMC值及其对应测量温度的精选数据集。不确定性感知的GNN将高精度的log CMC预测与内置的不确定性量化相结合,在单次前向传播中同时提供准确的点估计和校准良好的不确定性估计。未来的工作应优先扩展数据集中代表性不足的表面活性剂类别(如两性离子)和更广泛的温度覆盖范围(超越主要的25 °C测量)。不确定性量化可通过明确将测量方法建模为偶然不确定性来源而进一步改进。架构改进(如交叉注意力或门控融合机制)可能更好地捕获复杂的温度-结构相互作用,而类别平衡过采样(如合成少数过采样技术)和集成技术可增强对少数类别的鲁棒性,最终形成一个更普遍适用的CMC预测框架。