在化學(xué)與材料科學(xué)領(lǐng)域，有機(jī)固體在不同溶劑中的溶解度是一項(xiàng)核心分子性質(zhì)，其影響貫穿科研與產(chǎn)業(yè)全鏈條。對于合成工藝而言，精準(zhǔn)掌握溶解度不僅有助于篩選最優(yōu)溶劑、優(yōu)化反應(yīng)條件，還能顯著提升產(chǎn)物產(chǎn)率與純度，降低生產(chǎn)成本；在環(huán)境科學(xué)中，它是解析全氟及多氟烷基物質(zhì)（PFAS）等污染物在土壤與水體中遷移歸趨的關(guān)鍵參數(shù)，為污染防控與治理提供科學(xué)依據(jù)；而在結(jié)晶、膜分離等工藝中，溶解度更是決定相行為與分離效率的核心變量。

然而，傳統(tǒng)實(shí)驗(yàn)測定方法存在諸多局限：不僅耗時(shí)耗材，還容易受到有機(jī)固體晶型與雜質(zhì)等因素干擾，導(dǎo)致數(shù)據(jù)準(zhǔn)確性不足。據(jù)研究，水溶解度 logS 的跨實(shí)驗(yàn)室標(biāo)準(zhǔn)差常達(dá) 0.5–0.7 log 單位，極端情況下測定結(jié)果差異甚至可超過 10 倍。盡管已有經(jīng)驗(yàn)基團(tuán)加和法、量子化學(xué)模型與機(jī)器學(xué)習(xí)方法應(yīng)用于預(yù)測，但往往存在通用性不足，或難以兼顧精度與計(jì)算效率的問題。

針對這一痛點(diǎn)，美國麻省理工學(xué)院研究團(tuán)隊(duì)結(jié)合化學(xué)信息學(xué)工具與全新有機(jī)溶解度數(shù)據(jù)庫 BigSolDB，在 FASTPROP 與 CHEMPROP 模型架構(gòu)的基礎(chǔ)上進(jìn)行了改進(jìn)，使模型能夠同時(shí)輸入溶質(zhì)分子、溶劑分子及溫度參數(shù)，直接對 logS 進(jìn)行回歸訓(xùn)練。

在嚴(yán)格的溶質(zhì)外推場景下，相較 Vermeire 等現(xiàn)有的 SOTA 模型，優(yōu)化后模型的 RMSE 降低了 2–3 倍，推理速度提升最高達(dá) 50 倍。目前，該團(tuán)隊(duì)將 FASTPROP 衍生模型命名為 FASTSOLV，并已將其開源發(fā)布，為相關(guān)科研與產(chǎn)業(yè)應(yīng)用提供了高效而實(shí)用的工具。

相關(guān)研究成果以「Data-driven organic solubility prediction at the limit of aleatoric uncertainty」為題，發(fā)表于 Nature Communication 。

論文地址：

??https://www.nature.com/articles/s41467-025-62717-7??

關(guān)注公眾號(hào)，后臺(tái)回復(fù)「有機(jī)溶解度」獲取完整 PDF

BigSolDB 驅(qū)動(dòng)的數(shù)據(jù)集構(gòu)建與評(píng)測體系設(shè)計(jì)

該研究的核心數(shù)據(jù)來源為 BigSolDB，該數(shù)據(jù)庫系統(tǒng)性收錄了有機(jī)固體在多種有機(jī)溶劑及不同溫度條件下、接近沉淀極限的溶解度數(shù)據(jù)，為通用預(yù)測模型的訓(xùn)練提供了關(guān)鍵支撐。

為實(shí)現(xiàn)「在無額外先驗(yàn)條件下實(shí)現(xiàn)新溶質(zhì)外推」的研究目標(biāo)，研究團(tuán)隊(duì)設(shè)計(jì)了嚴(yán)格的訓(xùn)練—評(píng)測體系：模型在 BigSolDB 上訓(xùn)練，并在 SolProp 與 Leeds 兩個(gè)公開數(shù)據(jù)集上獨(dú)立測試。為避免外推難度被低估，如下圖所示，該研究首先剔除了 SolProp 中與 BigSolDB 重疊的全部溶質(zhì)，并引入化學(xué)空間更廣的 Leeds 數(shù)據(jù)集作為補(bǔ)充。

溶質(zhì)外推性能

與 SolProp 相比，Leeds 提供了更高的溶質(zhì)多樣性，但僅覆蓋室溫條件，既可檢驗(yàn)?zāi)Ｐ驮谛禄瘜W(xué)空間的適配性，又因缺乏「多溫度平均」的隱式降噪而具有更高的不確定性上限。值得注意的是，如下圖所示，3 個(gè)數(shù)據(jù)集的 logS 分布高度一致，均集中在 –1 附近，且在低溶解度端呈現(xiàn)長尾分布，保證了跨數(shù)據(jù)集性能對比的分布可比性。

標(biāo)簽的分布

在數(shù)據(jù)切分上，如下圖所示，研究人員嚴(yán)格以溶質(zhì)為單位：95% 的溶質(zhì)用于訓(xùn)練，5% 用于驗(yàn)證和模型選擇，同一溶質(zhì)在不同溶劑與溫度下的全部測量不會(huì)同時(shí)出現(xiàn)在不同子集中，從而有效規(guī)避了信息泄露。

此外，研究借助 ASTARTES 工具包，在訓(xùn)練數(shù)據(jù)中按「完整實(shí)驗(yàn)」為單位隨機(jī)劃分驗(yàn)證集，并在最終評(píng)測時(shí)分別從溶質(zhì)和實(shí)驗(yàn)兩個(gè)維度再次核查切分邊界，確保評(píng)測的獨(dú)立性與嚴(yán)謹(jǐn)性。

數(shù)據(jù)分割策略

BigSolDB 驅(qū)動(dòng)下的 FASTSOLV 模型構(gòu)建

依托 BigSolDB 數(shù)據(jù)集，如下圖所示，本研究對 FASTPROP 與 CHEMPROP 兩種經(jīng)典模型架構(gòu)展開定制化改造，構(gòu)建了一套清晰的機(jī)器學(xué)習(xí)建模流程。

首先，將溶質(zhì)（solute, 如撲熱息痛）與溶劑（solvent structures, 如乙酸乙酯）的分子結(jié)構(gòu)，分別映射為對應(yīng)的表征向量（representation vectors）；隨后，將這兩個(gè)分子表征向量與溶液溫度參數(shù)進(jìn)行拼接，形成完整的溶液綜合表征（solute representation）；最終，將該表征輸入全連接神經(jīng)網(wǎng)絡(luò)（fully-connected neural network），以 logS（溶解度對數(shù)）為目標(biāo)進(jìn)行回歸訓(xùn)練。

通過這一改造，最終開發(fā)的模型實(shí)現(xiàn)多有機(jī)溶劑+不同溫度場景下小分子溶解度的統(tǒng)一預(yù)測，打破了傳統(tǒng)模型對特定溶劑或溫度范圍的依賴。

機(jī)器學(xué)習(xí)解決方案

為進(jìn)一步提升模型的穩(wěn)健性與預(yù)測可靠性，研究團(tuán)隊(duì)并未依賴單一模型輸出，而是在 4 個(gè)不同隨機(jī)初始化條件下訓(xùn)練 FASTPROP 模型，再通過集成策略組合得到最終的 FASTSOLV 模型，后續(xù)所有性能對比、案例驗(yàn)證等關(guān)鍵分析，均基于這一集成模型展開，有效降低了單一模型的隨機(jī)波動(dòng)風(fēng)險(xiǎn)。

同時(shí)，為客觀衡量新模型性能，研究引入當(dāng)前廣泛認(rèn)可的 SOTA 模型——Vermeire 模型作為對照基準(zhǔn)。該模型通過 4 個(gè)獨(dú)立熱化學(xué)子模型訓(xùn)練，再經(jīng)熱力學(xué)循環(huán)組合輸出溶解度結(jié)果，在溶劑多樣性與溫度依賴性的兼顧上具有優(yōu)勢。但研究發(fā)現(xiàn)，其測試所用的 SolProp 數(shù)據(jù)集與自身訓(xùn)練集存在大量溶質(zhì)結(jié)構(gòu)重疊，這種「數(shù)據(jù)重疊」可能導(dǎo)致外推性能被高估。為保證對比的公平性與嚴(yán)謹(jǐn)性，本研究嚴(yán)格復(fù)現(xiàn)了 Vermeire 模型的原始訓(xùn)練-測試設(shè)置，在此基礎(chǔ)上開展對照實(shí)驗(yàn)，確保性能差異僅源于模型本身而非測試條件。

以 2–3 倍精度與 50 倍速度刷新有機(jī)溶解度外推 SOTA

該研究對模型性能展開多維度測試與驗(yàn)證。插值場景下，優(yōu)化后的 FASTPROP 模型 RMSE=0.22 、 P?=94%，CHEMPROP 模型 RMSE=0.28 、 P?=90%，性能已逼近實(shí)驗(yàn)數(shù)據(jù)噪聲上限，印證了 BigSolDB 的支撐價(jià)值。

新溶質(zhì)外推測試中，如下圖所示，Leeds 數(shù)據(jù)集上 Vermeire 模型因系統(tǒng)性高估表現(xiàn)不佳（RMSE=2.16 、 P?=34%），而 FASTPROP 與 CHEMPROP 的 RMSE 分別降至 0.95 、 0.99，P?均超 69%；SolProp 數(shù)據(jù)集上，本研究模型同樣更優(yōu)（RMSE=0.83 、 P?=80%），且 FASTPROP 推理速度約為 Vermeire 模型的 50 倍，支持 SHAP 可解釋性分析。

Vermiere 、 FASTPROP 和 CHEMPROP 模型在測試集上的最優(yōu)解

訓(xùn)練數(shù)據(jù)量實(shí)驗(yàn)如下圖所示，F(xiàn)ASTPROP 與 CHEMPROP 雖分子表征不同，但性能收斂于相似極限：SolProp 測試集上約 500 條實(shí)驗(yàn)（≈5,000 數(shù)據(jù)點(diǎn)）即可達(dá)平臺(tái)期，Leeds 測試集上 CHEMPROP 需約 2,000 條實(shí)驗(yàn)（≈20,000 數(shù)據(jù)點(diǎn)）。

通過 BigSolDB 中 34 組同條件多來源數(shù)據(jù)估算，實(shí)驗(yàn)隨機(jī)不確定極限為 RMSE=0.75 log 單位，而兩模型在 SolProp 上的 RMSE=0.83，已接近該極限；與 MolFormer 、 ChemBERTa-2 等大模型對比，二者表現(xiàn)更優(yōu)，證明性能瓶頸源于實(shí)驗(yàn)數(shù)據(jù)而非模型表達(dá)力。

模型性能達(dá)到任意極限的均值檢驗(yàn)

此外，如下圖所示，兩模型在 SolProp 測試集上預(yù)測高度相關(guān)（Pearson r=0.81），溫度梯度預(yù)測分布亦高度一致（EMD=0.03/0.02），系統(tǒng)誤差顯著低于 Vermeire 模型（EMD=0.06）。

FASTPROP 和 CHEMPROP 模型的相關(guān)性預(yù)測

研究還發(fā)現(xiàn)，在典型溶質(zhì)驗(yàn)證中，如下圖所示，F(xiàn)ASTSOLV 對利培酮（RMSE=0.16 vs Vermeire 1.64）和 L-脯氨酰胺（RMSE=0.25 vs Vermeire 2.33）的預(yù)測優(yōu)勢明顯，不僅能正確判斷溶劑溶解度順序與溫度依賴，還可區(qū)分結(jié)構(gòu)相似的己烷與庚烷。失敗模式分析顯示，蒽醌類預(yù)測誤差較高，但在 85 個(gè)蒽/蒽醌衍生物子集中，模型整體 RMSE=0.52，且能穩(wěn)定排序溶劑溶解度，說明分子表征具備合理性。

對結(jié)構(gòu)不同的解決方案進(jìn)行模型驗(yàn)證

綜上，FASTSOLV 相較 Vermeire 模型 RMSE 降低 2–3 倍，推理加速最高 50 倍，兼具可解釋性與工程潛力，代表嚴(yán)格外推設(shè)定下的 SOTA 水平。研究同時(shí)指出，額外增加訓(xùn)練數(shù)據(jù)無法突破性能極限，未來需聚焦高精度有機(jī)溶劑數(shù)據(jù)集構(gòu)建。

「數(shù)據(jù)集+AI」驅(qū)動(dòng)分子性質(zhì)預(yù)測的全球突破

在當(dāng)今化學(xué)、醫(yī)藥與材料科學(xué)交叉創(chuàng)新的浪潮中，以「大規(guī)模數(shù)據(jù)集+先進(jìn)機(jī)器學(xué)習(xí)模型」為核心的分子性質(zhì)預(yù)測技術(shù)，正成為破解實(shí)驗(yàn)耗時(shí)久、研發(fā)成本高、性能難預(yù)測等行業(yè)痛點(diǎn)的關(guān)鍵抓手。

在學(xué)術(shù)界，世界各地的研究團(tuán)隊(duì)正在因應(yīng) FASTSOLV 及 BigSolDB 的突破性成果，展開一系列創(chuàng)新性的溶解度預(yù)測研究。比如，英國利茲大學(xué)的研究者們提出了一種結(jié)合人工智能與物理—化學(xué)機(jī)制的 Causal Structure Property Relationship 模型，在有機(jī)溶劑與水體系中進(jìn)行溶解度預(yù)測，其預(yù)測精度幾乎達(dá)到實(shí)驗(yàn)誤差水平，且可解釋性出眾，被視為溶解度建模領(lǐng)域的重要里程碑。

與此同時(shí)，美國麻省理工學(xué)院（MIT）的科研團(tuán)隊(duì)利用圖神經(jīng)網(wǎng)絡(luò) Chemprop 在抗生素發(fā)現(xiàn)領(lǐng)域成績斐然。其測定了 39,312 個(gè)化合物的抗生素活性和人類細(xì)胞毒性圖譜，并應(yīng)用圖神經(jīng)網(wǎng)絡(luò)集成對 12,076,365 個(gè)化合物的抗生素活性和細(xì)胞毒性展開預(yù)測 ，用于新抗生素挖掘。通過對一組初始化合物篩選評(píng)估其對甲氧西林敏感菌株 S. aureus RN4220 的生長抑制活性，獲得 512 個(gè)活性化合物，隨后訓(xùn)練圖神經(jīng)網(wǎng)絡(luò)進(jìn)行二分類預(yù)測。

在產(chǎn)業(yè)界，同步也涌現(xiàn)出令人矚目的創(chuàng)新實(shí)踐。制藥行業(yè)一直以來都高度關(guān)注高通量、低成本的溶解度評(píng)估技術(shù)。例如 AspenTech 的 Aspen Solubility Modeler 工具，可根據(jù)少數(shù)溶劑中的實(shí)測數(shù)據(jù)預(yù)測數(shù)百種其他溶劑組合下的溶解度，在 GSK 和 AstraZeneca 等大廠的晶體篩選與工藝開發(fā)流程中顯著提升效率與決策可靠性。

此外，還有企業(yè)借助類似數(shù)據(jù)驅(qū)動(dòng)模型，在材料研發(fā)領(lǐng)域，通過分析大量材料分子結(jié)構(gòu)與性能數(shù)據(jù)，預(yù)測新型材料特性，縮短研發(fā)周期，降低研發(fā)成本。在化工領(lǐng)域，部分企業(yè)利用模型預(yù)測化學(xué)反應(yīng)中不同溶劑、溫度條件下的反應(yīng)效果，優(yōu)化生產(chǎn)工藝，提高生產(chǎn)效率與產(chǎn)品質(zhì)量，這些都是企業(yè)將學(xué)術(shù)研究中的模型與數(shù)據(jù)理念應(yīng)用于實(shí)際生產(chǎn)創(chuàng)新的體現(xiàn) 。

參考鏈接：

1.??https://eps.leeds.ac.uk/faculty-engineering-physical-sciences/news/article/5678/solubility-prediction-problem-addressed??

2.??https://www.manufacturingchemist.com/news/article_page/Solubility_modelling/57726??

一鍵獲取 2023—2024 年 AI4S 領(lǐng)域高質(zhì)量論文及深度解讀文章 ??