夜雨聆风学习资料网

ARTICLE · 1112955

上海科学智能研究院物质科学团队: AI助力高性能催化剂探索

发布时间：2026-10-02 09:39:51 最近访问：2026-10-02 09:39:51
上海科学智能研究院物质科学团队: AI助力高性能催化剂探索

研究背景

催化剂的空间位阻和电子性质对反应活性与选择性具有决定性影响。传统催化剂描述符往往需要人工定义，并依赖三维构象搜索或量子化学计算，难以兼顾通用性、自动化程度与计算效率。此外，现有描述符通常分别刻画催化剂的立体与电子性质，缺少统一的分子表征。

因此，如何高效、自动地提取并统一表征与催化性能相关的立体电子信息，是数据驱动催化剂发现面临的重要问题。

研究内容

为了解决这一问题，上海科学智能研究院 徐丽成 研究员、曹风雷 研究员和复旦大学 漆远 教授团队提出了一种面向催化剂与配体的立体电子感知分子表征模型 CatEmb。该模型能够从易于获取的二维分子结构中，直接生成蕴含立体电子信息的分子嵌入。
研究团队首先构建了催化剂与配体专用数据集 CatCompDB，包含 66664 个催化剂、配体及配体–金属配合物，覆盖 32 种中心金属。基于该数据集，团队采用对比学习对齐二维和三维分子图表示，并将三维结构及能量信息融入二维分子编码，得到 CatEmb（图 1）。训练完成后，CatEmb 仅需输入二维分子结构，即可快速生成蕴含隐式立体电子信息的分子表征，无须额外进行构象搜索或量子化学计算。
  • 图 1A) CatCompDB 数据集构造；B) 3D 结构生成与能量标签计算；C) CatEmb 双通道训练
研究结果表明，CatEmb 能够依据配体在空间位阻和电子性质上的差异，在表征空间中有效区分不同类型的配体。如图 2 所示，同类配体整体上聚集于相近区域，而立体电子性质差异较大的配体则分布在不同区域。其中，结构丰富、性质高度可调的单膦配体覆盖了较大的表征空间；结构变化相对有限的 N,N′-二氧化物配体则形成较为紧凑且独立的聚类。即使配体具有相同的核心骨架，CatEmb 也能捕捉不同取代基引起的空间体积、电子效应和分子刚性变化。例如，Salen 配体因取代基差异形成了三个清晰的子簇，体现了 CatEmb 识别细微立体电子差异的能力。
  • 图 2基于 CatEmb 空间 t-SNE 投影的配体多样性分析。A) 优势配体骨架；B) 完整配体空间 t-SNE 投影；C) 三个代表性配体骨架的 t-SNE 投影
将 CatEmb 与其他分子或反应描述符结合用于定量结构–性能关系（QSPR）建模，可进一步提升反应产率和对映选择性的预测精度。在此基础上，团队还提出了基于 CatEmb 相似性的催化剂推荐策略。该方法能够在模型外推能力有限时，作为 QSPR 模型推荐的有效补充，并可用于高性能反应催化剂探索、大规模虚拟配体库排序及跨骨架催化剂推荐（图 3），为数据驱动的催化剂发现与优化提供了高效、通用的新工具。
  • 图 3基于 CatEmb 相似性的 A）虚拟配体库排序与 B）跨骨架的配体推荐
该成果以“Stereoelectronic-aware catalyst embeddings from 2D graphs via 2D–3D multi-view alignment”(《基于二维—三维多视图对齐的立体电子感知催化剂表征》)为题，发表在英国皇家化学会期刊 Digital Discovery 上。
‍‍

论文信息

  • Stereoelectronic-aware catalyst embeddings from 2D graphs via 2D–3D multi-view alignment

    Li-Cheng Xu*（徐丽成，上海科学智能研究院）, Fenglei Cao and Yuan Qi

    Digital Discovery (2026) 5 (8): 3340–3348.

    https://doi.org/10.1039/d6dd00089d

作者简介

徐丽成

本文第一作者兼通讯作者，上海科学智能研究院研究员，上海市东方英才青年项目入选者。长期从事数据驱动的反应构效关系建模及面向特定条件与性质约束的分子生成研究，近年来以第一作者或通讯作者在 Nature Machine Intelligence、Nature Synthesis、Angewandte Chemie International Edition 等期刊发表多篇论文。

相关期刊

rsc.li/digitaldiscovery

Digital Discovery

2-年影响因子*
7.1分
5-年影响因子*
7.2分
JCR 分区*
Q1
 化学-多学科Q1 计算机-跨学科应用
CiteScore 分†
8.2分
中位一审周期‡
46
天

Digital Discovery 的重点是数字化技术和自动化工具与基础科学的相互结合，将囊括人工智能、实验自动化、机器人技术、数据库以及先进数据分析等领域的创新成果。本刊发表的研究工作范围广阔，但需有坚实的化学基础。作为一本金色开放获取的期刊，读者可免费获取论文的全文。

Editor-in-Chief

  • Alán Aspuru-Guzik🇨🇦 多伦多大学

Associate editors

  • Milad Abolhasani🇺🇸 北卡罗来纳州立大学

  • Melodie Christensen🇺🇸 默克公司

  • Matthias Degroote🇧🇪 勃林格殷格翰 (Boehringer Ingelheim)

  • Cesar de la Fuente🇺🇸 宾夕法尼亚大学

  • Xin Hong (洪鑫)🇨🇳 浙江大学

  • Yousung Jung🇰🇷 首尔国立大学

  • N M Anoop Krishnan🇮🇳 印度理工学院

  • Indra Priyadarsini S🇺🇸 IBM 研究院

  • Joshua Schrier🇺🇸 福特汉姆大学

Editorial board members

  • Anat Milo🇮🇱 内盖夫本-古里安大学

  • Lilo D. Pozzo🇺🇸 华盛顿大学（西雅图）

  • Ekaterina Skorb🇷🇺 圣彼得堡国立信息技术机械与光学大学

* 2025 Journal Citation Reports (Clarivate, 2026)

† CiteScore 2025 by Elsevier

‡ 中位数，仅统计进入同行评审阶段的稿件

欢迎联系我们发布论文报道📧 RSCChina@rsc.org
点击下方「阅读原文」查看论文原文
↓↓↓
‍

相关学习资料