基于量子化学计算和机器学习，从头开始创建肉眼可检测的荧光分子编辑|萝卜皮设计荧光分子需要

编辑|萝卜皮
设计荧光分子需要考虑多种相互关联的分子特性，而不是与分子结构直接相关的特性，例如分子的光吸收。
在这项研究中， RIKEN高级智能项目研究中心和东京大学等机构的研究人员合作，使用从头分子生成器（DNMG）与量子化学计算（QC）相结合来开发荧光分子，这些分子在各个学科中都引起了广泛关注。使用大规模并行计算（1024核， 5天）， DNMG产生了3643个候选分子。
研究人员选择了一个未报道的分子和七个报道的分子并合成了它们。光致发光光谱测量表明， DNMG可以以75%的准确度（n=6/8）成功设计荧光分子，并产生一种未报告的分子，该分子发出肉眼可检测到的荧光。
该研究以「Denovocreationofanakedeye–detectablefluorescentmoleculebasedonquantumchemicalcomputationandmachinelearning」为题，于2022年3月9日发布在《ScienceAdvances》。

文章图片
简介
荧光化合物作为可见光发射体在多个学科的应用中非常重要，包括有机发光二极管、传感器和生物成像。尽管已经为这些和其他应用开发了许多荧光分子，但不断需要新的分子来解决当前材料在功能、可持续性和低成本方面的缺点。即使是化学结构的细微变化也可能导致重大改进。
荧光是一种受量子力学支配的光化学性质。然而，尽管荧光研究的历史悠久，但没有明确的指导方针来制造荧光分子，就像制造吸光分子一样。
分子荧光发射的简化物理化学机制如下图所示。最初，研究人员认为分子处于单线态（S）状态；在S最小值时，它吸收光并转变为单线态第一激发态（S1）。 S1激发分子在S1状态下弛豫到最小值并回到S状态，将S1和S状态之间的能量差作为光（荧光）发射。激发的分子应该在S1状态下移动到最小值，以便在不失活的情况下发光。
一些因素，包括与氧分子的反应、分子碰撞、分子内/分子间电子转移和聚集，可能会在分子在激发状态下运动时使其失活；这导致很难将荧光与分子结构相关联。因此，自动化荧光分子设计将是有帮助的。

文章图片
图示：荧光分子的单线态基（S0）态和单线态第一激发（S1）态的PES示意图。（来源：论文）
近期，基于机器学习（ML）的从头分子生成器（DNMG）已被开发用于设计具有简单和可预测值的分子，例如分配系数（logP）的对数，可以从分子的组成部分估计。
将DNMG与经典模拟相结合，成功地生成了具有改进的多功能性和实用性的分子。例如， DNMG和对接模拟的结合可用于设计生物活性分子；这是通过有机合成研究的。结合分子动力学或预测模型， DNMG还可以指导功能聚合物的合成。
在之前的研究中，研究人员将量子化学计算（QC）与DNMG（称为ChemTS）相结合，它（原则上）可以从头设计以量子力学（QM）特性为特征的功能分子。因此， ChemTS与QC相结合被应用于设计可以吸收具有所需波长的光的分子。在86个设计和生成的分子中，选择了6个未包含在训练数据集中的已知分子进行紫外-可见(UV-vis)吸收测量。结果与发生器的目标波长一致。
此外， DNMG增加了发现新分子的可能性，因为与传统的高通量QM和使用ML模型筛选相比， DNMG的搜索区域在数据集中不受限制。研究人员还使用QC对ChemTS产生的分子进行了官能团富集分析，以最大化电子增益能量，并发现了驻极体文献中未包含的重要官能团。