分子描述符和端到端深度学习在MOFs设计中的应用

何英; 谭昉畅; 闫希亮

doi:10.7536/PC241104

化学进展 ›› 2025, Vol. 37 ›› Issue (8) :1177-1187 DOI: 10.7536/PC241104

综述与评论

扫码查看或转发全文

分子描述符和端到端深度学习在MOFs设计中的应用

何英 ¹ ,
谭昉畅 ² ,
闫希亮 ³^,^*

作者信息 +

Application of Molecular Descriptors and End-to-End Deep Learning in MOFs Design

Ying He ¹ ,
Fangchang Tan ² ,
Xiliang Yan ³^,^*

Author information +

文章历史 +

摘要

MOFs因其独特的结构和理化性质，在气体存储、催化、传感等领域展现了广阔的应用前景。然而，仅靠传统实验方法难以快速高效地设计具有所需性质的MOFs。近年来，以传统机器学习和深度学习为代表的人工智能方法在材料科学中得到了广泛应用，并取得了诸多显著性成果。其中，如何有效提取MOFs结构特征，并将其转化为计算机可识别的输入形式，是传统机器学习和深度学习建模的前提和关键步骤。为此，本文系统综述了基于分子描述符的人工特征提取和基于端到端深度学习的自动特征提取，总结了两种方法的基本概念和原理，着重强调了两者在MOFs设计中的具体应用和最新进展，最后讨论了提高结构特征提取的全面性、可解释性和可重复性等方面所面临的挑战和未来发展方向，以期为人工智能驱动的MOFs设计提供参考和理论指导。

Abstract

Metal-organic frameworks （MOFs） exhibit great promise in diverse applications such as gas storage，catalysis，and sensing due to their distinctive structures and physicochemical properties. However，traditional experimental approaches face challenges in quickly and efficiently designing MOFs withthe desired characteristics. In recent years，artificial intelligence （AI） techniques，particularly traditional machine learning and deep learning，have been extensively applied in materials science，yielding numerous noteworthy results. An essential requirement for successful modeling with these techniques is the ability to extract the structural features of MOFs and transform them into computer-readable formats. Therefore，we present a comprehensive review of two feature extraction approaches based on molecular descriptors and end-to-end deep learning. We summarize the fundamental concepts and principles of both methods，emphasizing their specific applications and recent advancements in MOFs design. Finally，we discuss the challenges and future directions for improving the comprehensiveness，interpretability，and reproducibility of structural feature extraction. This review aims to provide valuable insights and theoretical guidance for AI-driven MOFs design.

Contents

1 Introduction

2 Traditional machine learning and end-to-end deep learning

2.1 Basic concepts and historical development of artificial intelligence

2.2 Key steps in traditional machine learning and end-to-end deep Learning

2.3 Differences between traditional machine learning and end-to-end deep Learning

2.4 Overview of the MOF databases

3 Feature extraction based on molecular descriptors

3.1 Structural descriptors

3.2 Chemical characteristics

3.3 Thermodynamic properties

3.4 Feature selection and dimensionality reduction techniques

3.5 Effective strategies for handling missing features and noisy data

4 Application of end-to-end deep learning model to MOFs design

4.1 Convolutional neural networks

4.2 Recurrent neural networks

4.3 Graph neural networks

4.4 Generative adversarial networks

5 Conclusion and outlook

Graphical abstract

关键词

人工智能 / 计算机辅助材料设计 / 定量结构-性质关系 / 分子描述符 / 特征提取

Key words

artificial intelligence / computer-aided material design / QSPR / molecular descriptors / feature extraction

引用本文

引用格式 ▾

何英, 谭昉畅, 闫希亮. 分子描述符和端到端深度学习在MOFs设计中的应用[J]. 化学进展, 2025, 37(8): 1177-1187 DOI:10.7536/PC241104

Ying He, Fangchang Tan, Xiliang Yan. Application of Molecular Descriptors and End-to-End Deep Learning in MOFs Design[J]. Progress in Chemistry, 2025, 37(8): 1177-1187 DOI:10.7536/PC241104

登录浏览全文

4963

注册一个新账户忘记密码

1 引言

金属有机框架（Metal-organic frameworks，MOFs）是一类由金属离子或金属簇与有机配体通过自组装形成的多孔材料。由于其独特的结构特征，MOFs展现出了极高的比表面积、可调控的孔隙结构以及多样化的化学功能性^[1]。这些优越的性质使得MOFs在诸多领域得到了广泛研究和应用。在气体存储与分离领域，MOFs凭借其可调控的孔径和高比表面积，成为氢气、甲烷和二氧化碳等气体的理想存储材料^[2-4]。此外，MOFs还被用于选择性吸附和分离混合气体中的特定成分，如从天然气中分离硫化氢和二氧化碳^[5]。在催化领域，MOFs由于其金属中心的多样性和有机配体的功能化，能够作为均相或多相催化剂，广泛应用于有机反应、光催化和电催化等过程^[6-7]。MOFs在传感器领域同样表现出色。其高度有序的孔隙结构和功能化表面使得MOFs能够对特定的气体、液体或生物分子进行高灵敏度的检测^[8-9]。此外，MOFs在药物递送、污染物去除和电子器件等方面也展现出巨大的应用潜力^[10-11]。

传统的MOFs设计往往依赖于实验和经验，不仅耗时且成本高昂。机器学习的引入改变了这一局面，通过数据驱动的方法，大幅提升了设计效率和成功率。机器学习模型能够从大量已知数据中学习到MOFs结构与性能之间的复杂关系，快速预测新材料的性能，这大大减少了最终用于实验测试的材料数量。例如，通过训练回归模型，可以快速预测MOFs在气体存储或催化中的表现^[12]。特征提取是机器学习的核心步骤，在MOFs材料设计中尤为重要。特征提取的目的是将高维、复杂的结构特征和理化性质转化为关键信息，用以描述和区分不同材料，最终提高模型预测性能^[13]。此外，提取出的特征应具有明确的物理和化学意义，便于研究人员解释模型的预测结果，以指导开发具有更高性能的新型MOFs。

目前，MOFs特征提取方法可分为分子描述符和端到端深度学习两大类：（1）分子描述符是通过实验或计算方法将复杂的MOFs结构信息转换为传统机器学习模型可以处理的数值形式。由于分子描述符明确的物理和化学意义，传统机器学习模型在预测结果的解释上更加直观。这种可解释性有助于研究人员理解材料性能与结构特征之间的关系，从而为材料设计提供指导。（2）与传统机器学习不同的是，端到端深度学习模型能够直接识别原始输入数据（如分子图片、SMILES表示等），并在训练过程中自动提取出重要特征，而无需手工生成分子描述符^[14]。但端到端深度学习模型的“黑箱”性质使得其决策过程不易解释，需通过深度学习解释器辅助分析^[15]。

本文重点比较了基于分子描述符的传统机器学习模型与端到端深度学习模型在MOFs设计中的应用，包括基本概念、常用方法和关键步骤等；对公开且高质量数据库建设、通用描述符开发、AI预测模型构建也进行了讨论和展望。通过传统机器学习和深度学习的辅助，未来有望实现MOFs智能设计的突破，推动材料科学的进一步发展。

2 传统机器学习和端到端深度学习

2.1 AI的基本概念和历史发展

AI是计算机科学的一个分支，旨在通过模拟人类智能来实现机器的自主学习、推理和决策。机器学习是AI的核心，通过算法使计算机从数据中学习并做出预测或决策。AI的发展历程可以追溯到20世纪50年代，艾伦·图灵提出了“图灵测试”，以评估机器是否具备智能^[16]。1956年，在达特茅斯会议上，John McCarthy首次提出了“人工智能”这一术语，标志着AI研究的正式开始^[17]。

AI在材料设计中的发展进程可以分为几个关键阶段。在早期探索（20世纪80~90年代）时期，主要集中在专家系统和基于规则的推理方法。研究者尝试利用知识库和推理机制来辅助材料设计，但由于计算能力和数据量的限制，主要依赖于专家的经验和知识。在数据驱动的初步应用（21世纪初）时期，随着计算机和自动化技术的发展，材料科学领域开始逐渐积累大量实验数据。机器学习方法开始被引入，用于分析材料数据。在2012年，深度学习的快速发展为材料设计带来了新的机遇^[18]。卷积神经网络（Convolutional neural network，CNN）和循环神经网络（Recurrent neural network，RNN）等技术的出现，使得从大规模数据集中准确定量复杂的材料结构-性能关系变为可能。此时，AI开始在材料发现、优化和性能预测等方面展现出强大的能力。

2.2 传统机器学习和端到端深度学习的关键步骤

MOFs新材料设计任务通常涉及两个阶段：（1）MOFs性质预测。端到端深度学习模型能够直接从分子结构（如分子图、SMILES表示、三维结构等）映射到目标性质，适合处理大规模数据和复杂的非线性关系。与传统机器学习不同，端到端深度学习通过多层神经网络自动提取数据的层次化特征，显著减少了对领域知识的依赖^[19]。为快速筛选出具有潜在优异性质的候选结构，以及后续优化提供初始方向。（2）MOFs结构优化和筛选。在该阶段，领域知识（如化学规则、结构约束等）的引入至关重要。端到端模型的输出可能因化学合理性（如键长/键角约束）、合成可行性（如配体可及性）或稳定性等问题无法直接应用^[20]。因此，需在此阶段引入领域知识驱动的优化。端到端模型高效缩小搜索空间，而领域知识确保最终设计的结构兼具高性能与可操作性。

MOFs预测模型的建立过程可进一步细化为多个步骤，包括标准数据集构建、模型训练与评估，以及最终的模型应用（图1）。首先从公开数据库、文献、实验结果中收集MOFs相关数据。接下来是本文所要重点阐述的特征工程，包括描述符（特征）计算、特征选择等步骤。将全部数据划分为训练集和测试集，训练集用于模型的参数调整和学习数据中所隐含的模式。而测试集用来评估模型在未知数据上的表现，从而检验模型的泛化能力。最后，评估模型的准确性。通过使用测试集对模型进行验证，如果评估结果显示模型的预测精度达到了预期标准，可将其作为最终模型用于后续的实际应用中，如新材料筛选和辅助设计。然而，如果模型在测试集上的表现不理想，即预测准确性不足或误差过高，则需要重新审视模型的结构、特征选择、超参数设置等方面，并进行必要的调整或重新建模。

2.3 传统机器学习和端到端深度学习的区别

深度学习是机器学习的一个重要分支，基于人工神经网络的概念，旨在模拟人脑的结构和功能。深度学习模型包含不少于3个隐藏层（通常为5~20层）^[21]，通过层级非线性变换实现自动特征提取，而传统机器学习模型（也被称为浅层学习）通常为0~2层或无层结构^[22]。与传统的机器学习方法不同，深度学习通过多层神经网络从大量数据中自动学习特征和模式。擅长处理大规模和复杂的数据集，如图像、音频和自然语言处理。如图1所示，深度学习的核心优势在于其强大的特征提取能力，能够从原始数据中自动学习出高层次的特征表示，从而减少了对手工特征工程的依赖^[23]。自动化特征学习能力使得深度学习在许多领域中取得了显著的成功，如计算机视觉中的图像识别、自然语言处理中的语言翻译、语音识别等。

传统机器学习和深度学习是当今数据驱动决策和智能系统背后的关键技术，各自具有独特的优缺点。传统机器学习构建的模型解释性强，通常能提供可解释的结果，便于理解模型决策的基础。计算效率高，在处理小到中等规模数据时，训练速度较快，适用于资源有限的环境。擅长处理具有清晰特征和规律的数据集，如表格数据。但传统机器学习对特征选择和处理要求高，需要领域专家的经验；对非线性、大规模、高维度数据的处理能力有限；且对特征的依赖性强，泛化能力受到特征质量和选择的影响。而端到端深度学习适用于大规模数据，能够处理复杂的非线性关系，如图像、语音和自然语言等^[24]；且能自动化特征学习，从原始数据中学习到更抽象的特征表示，减少了对人工特征工程的需求。因此，端到端深度学习在大数据和复杂任务上通常能达到更高的预测精度。训练深度学习模型需要大量的计算资源和时间，如图形处理单元（GPU）加速。模型的复杂性和参数数量使得其决策过程难以解释，缺乏透明性。深度学习对大量标记数据的依赖，缺乏数据可能导致模型性能下降^[25]。选择传统机器学习或深度学习需要综合评估数据规模、任务复杂度和资源条件等因素（表1）。

2.4 MOFs数据库介绍

过去几十年里，MOFs的相关实验和计算研究都取得了引人注目的进步，产生了大量的实验和模拟数据。表2揭示了这个过程的发展轨迹，从早期的实验和分子模拟研究出发，逐步进化出应用机器学习手段处理和解析这些数据的前沿方法。20世纪初，人们主要通过实验手段研究MOF材料，包括合成、表征以及测定吸附和扩散性质等。在这个阶段，计算工具的发展相对较慢，大多数情况下，实验数据并未被系统地收集和整理，因此并未形成相应的数据库。随着计算能力的提高和计算方法的发展，MOFs的精细模拟研究逐渐兴起，人们可以预测和解析MOFs的性质，并通过对模拟结果进行详尽的比较和校准，从而改进模拟方法。首批MOFs计算数据和数据库开始出现，如hMOF和CoRE MOF数据库^[26-27]。21世纪初至今，该阶段的显著特征是大量高质量数据的产出以及机器学习方法的广泛应用。海量计算或实验数据被系统地收集和整理，并形成了多个大规模MOFs数据库，如MOF-DB和CSD-MOF数据库^[28-29]。MOFs结构和性能数据以及数据库从无到有，再到丰富的发展历程，是材料自动化合成与表征、计算能力提升以及数据处理技术进步共同推动的结果。

3 基于分子描述符的特征提取

分子描述符是化合物或材料的数字特征，这些特征能够定量地描述它们的结构和性质。分子描述符根据获取方式可分为实验描述符和理论描述符，实验描述符包括MOFs的形貌、尺寸、Zeta电位、各种光谱数据等。如图2所示，理论描述符根据其性质可进一步分为：（1）结构特征描述符：拓扑结构、MOFs中的金属离子或金属簇以及有机配体类别、孔径大小（Pore size）、比表面积（Surface area）、孔体积（Pore volume）等；（2）化学性质描述符：包括MOFs结构中的金属种类及其氧化态和与具体化学结构相关的计量描述符等；（3）热力学性质描述符：热稳定性（Thermal stability）、吸附热（Heat of adsorption）以及其他机械性质、带隙（Band gap）、扩散系数（Diffusion coefficient）、质子导电率（Proton conductivity）等。

3.1 结构特征描述符

结构特征描述符是用于表征分子结构特征的参数，这些描述符能够反映分子的几何、拓扑和分子组成等结构特征，常用于化学信息学、药物设计、材料科学等领域。其中，拓扑描述符是使用较为广泛的结构特征，主要关注的是MOFs的笼状结构，即金属节点和有机配体之间的连接方式。拓扑描述符可以帮助研究者理解和预测MOFs的物理化学性质，如稳定性、孔隙性、吸附能力和催化活性等。以下是一些常见的拓扑描述符：（1）描述MOFs中金属节点和有机配体的种类和数量。（2）描述每个金属节点与有机配体相连状态。（3）描述MOFs的网络结构类型，如立方体、四面体、八面体等。例如，Batra等^[37]编写了一套全面的化学特征提取程序，以获取关于MOFs金属节点、有机配体连接方式及其摩尔比的信息；并利用多种机器学习构建模型来预测MOFs的水稳定性。通过特征重要性分析发现，环二价节点数或六元环数，以及氢键受体位点数，都对水稳定性影响很大。除此之外，MOFs的表面积、孔径大小、金属类型等结构信息也常被用来作为机器学习模型的输入特征^[38]。结构特征描述符直接表征MOFs的几何与拓扑本质属性（如孔径、比表面积、拓扑类型），通常通过晶体结构数据或理论模拟直接获取，数据稳定性高。适合作为模型输入的核心特征，但其静态特性可能限制对动态过程（如吸附动力学）的预测能力。

3.2 化学性质描述符

在构建机器学习模型时，MOFs的化学性质对于理解其行为和性能至关重要。近年来，研究人员设计了用于描述MOFs的化学计量特征集合，旨在通过机器学习和数据驱动的方法来预测和优化MOFs的性能，其中包括Stoichiometric-120 Features、Stoichiometric-45 Features、Sine Coulomb Matrix等。这些化学计量描述符主要关注分子的组成和元素的相对比例，通常用于定量描述化合物的成分和化学性质。

Stoichiometric-120 Features是基于MOFs的化学组成，即金属中心和有机配体的比例和类型所计算的化学计量特征^[39]。Stoichiometric-120 Features中每个特征代表MOFs的一种化学或结构属性。该描述符集合有120个属性，主要依据MOFs中的金属中心（如Zn、Cu等）和有机配体（如苯二酸等）的比例与类型进行计算，以及一些其他化学性质：平均原子量、平均群数、平均周期数、最大原子数差、平均原子数等属性。Stoichiometric-45 Features包含45个独立的特征，每个特征代表MOFs的一种化学或结构属性^[40]。Sine Coulomb matrix是一种用于描述材料结构特征的矩阵描述符，它通过考虑材料中原子之间的相互作用，特别是库仑相互作用，来捕捉材料的几何和电子特性^[41]。Orbital Field Matrix（OFM）描述符基于材料中原子轨道的信息，通过构建矩阵来表示材料的局部环境和电子特征，每个矩阵元素包含了与特定原子轨道相关的信息^[42]。Average Smooth Overlap of Atomic Positions （SOAP）描述符是一种先进的机器学习特征，用于捕捉材料和分子的局部环境信息，通过计算原子局部环境的三维密度分布，并将其转换为一种能够被有效处理和比较的数学表示，如向量、相似性度量等。利用上述描述符和核岭回归机器学习算法，研究人员对QMOF数据库中的超14 000种实验合成MOFs的量子化学性质（如带隙）进行了预测，所有模型预测准确率均在0.64以上，这为在未来研究中规避大量耗时费力的密度泛函理论计算提供了有效解决方案^[35]。近期，Bai等^[43]开发了一种基于机器学习算法的预测模型，并将其用于二氧化碳环加成反应MOF催化剂高通量筛选。所使用描述符为根据反应机理所挑选的易于获取的MOFs结构和理化性质等，例如，利用OMS（Open metal sites）电荷代替催化中心的Lewis酸性。借助该模型，成功筛选出239种高活性催化剂，并实验验证了优选材料MOF-76（Y）的催化性能。然而，描述MOFs的化学计量特征（如金属/配体比例、元素组成），需通过化学分析或理论计算获得，数据完整性与实验方法密切相关。

3.3 热力学性质描述符

热力学性质描述符主要用于表征MOFs的能量特性、稳定性和反应性，包括吸附能、结合能、脱附能、带隙等，可定量描述MOFs在气体吸附、催化、电池和超电容器等领域的相关性能。Bucior等^[44]开发了一种基于MOFs与客体分子之间相互作用的新型能量描述符，并利用该描述符，构建了可用于预测多个数据库中MOFs气体吸附量的机器学习模型，预测精度达到了3 g/L以内。进一步利用所构建的模型，对包含超过50 000个MOFs的数据库进行虚拟筛选，最终识别出一个优异的候选材料。该材料在77 K、100 bar的存储条件，160 K、5 bar的释放条件下，表现出47 g/L的氢气可输送容量（模拟值为54 g/L），证明了所开发描述符的有效性，以及机器学习驱动新材料设计的广阔应用前景。热力学性质需依赖实验测量或高精度计算（如密度泛函理论），数据可能存在显著误差或缺失。数据噪声或缺失需通过插值、数据增强或鲁棒性模型（如对抗训练）处理，否则可能导致模型泛化性能下降。

3.4 特征选择和降维

在机器学习辅助材料设计中，特征选择（Feature selection）是一项重要的任务，旨在从大量的描述符中挑选出最具代表性的特征，以构建高效、准确的预测模型^[45]。在机器学习中使用高维和相关特征可能会导致模型复杂性增加、训练时间延长和过拟合风险升高。特征减少的方法有多种，包括人工检查的皮尔逊相关系数矩阵和自动化的递归特征增加（Recursive feature addition）、递归特征消除（Recursive feature elimination）、单变量过滤（Univariate feature filtering）以及包装特征选择（Wrapper feature selection）。不同方法各有优劣，选择适合的方法能够有效减少特征维度，提高模型性能。例如，Batra等^[37]证明递归特征消除可以将特征维度从149大幅减少到约30，同时提高模型准确性。此外，降维技术也被广泛应用于处理特征空间的复杂性，包括主成分分析（Principal component analysis）、t-分布随机邻居嵌入（t-Distributed stochastic neighbor embedding）和均匀流形近似与投影（Uniform manifold approximation and projection）。这些方法旨在降低特征维度与训练样本数量之间的比例，从而使模型更加高效；并且能够有效地识别并去除无关或冗余的特征，帮助减轻模型的过拟合现象^[46]。

3.5 特征缺失与数据噪声的处理

MOFs描述符存在的特征缺失与实验数据噪声，构成机器学习模型预测准确性的关键制约瓶颈。具体而言，难测定的结构特征（如孔径、拓扑类型）、含噪热力学性质（如吸附热、带隙）及缺失性化学组成（如金属/体比例）共同构成模型优化的核心挑战。机器学习通过数据噪声抑制、缺失数据重建、多源数据融合等多种策略应对上述特征挑战。

传统的机器学习方法（如线性回归、随机森林）通过统计插补、特征选择及正则化技术，在低维数据预处理取得了一定成效。深度学习对高维、复杂的特征也进行了高效的预处理。首先，通过鲁棒性损失函数与不确定性建模，可降低物理化学性质的实验与计算误差所带来的含噪特性对模型的干扰^[47]。其次，针对公开数据库中化学组成描述符的高缺失率，图注意力网络（Graph attention network，GAT）等深度学习模型展现出显著优势，它们能够有效地利用已有的数据信息推断缺失值^[48]。此外，通过生成对抗网络（GAN）和变分自编码器（VAE）等生成模型，可以生成与真实数据分布相似的样本，用于补全MOFs化学组成和物理化学性质的缺失值。例如，Choudhary等^[49]利用ALIGNN （Atomistic line graph neural network ）预测了未标注材料的29种属性。融合传统插补技术与深度生成式特征，为高噪声、高缺失数据的预测任务提供了解决方案。

4 端到端深度学习模型在MOFs设计中的应用

端到端深度学习通过构建多层神经网络来自动提取数据中的特征，从而实现对数据的分类、预测和生成等任务。常用模型包括：CNN、RNN、GAN、自编码器（Autoencoders）等。

4.1 卷积神经网络

CNN是一种主要用于图像和视频处理的深度学习模型。CNN通过卷积层、池化层和全连接层提取特征，并能够有效地捕捉图像中的局部特征和空间结构（图3a）。卷积层是CNN的核心，通过卷积操作处理图像数据。卷积层包含多个可学习滤波器，每个滤波器寻找不同模式并生成特征图^[50]。CNN能分层提取特征，特征抽象级别随着网络加深而提高。研究人员提出了一种预测MOF气体吸附性能的通用框架，采用势能面作为唯一的描述符，并利用CNN处理三维能量图像，能够高效地预测MOFs对CO₂的吸附性能^[51]。相比传统的几何描述符模型，该模型性能更好，并且需要更少的训练数据。Hung等^[52]开发了一种基于化学编码CNN的气体吸附特性预测方法。采用原子位置及相对应的化学信息来表示MOF结构特征。利用分子模拟计算获得的近万个MOF结构中CO₂和CH₄的亨利常数数据集进行训练，该CNN模型在CH₄和CO₂吸附性能预测方面展现出优异的准确性。

4.2 循环神经网络

RNN是一种适合处理序列数据的深度学习模型，特别是时间序列和文本数据。RNN通过隐藏状态记住前面的信息，从而捕捉序列中的时间依赖关系。RNN的基本结构（图3b）如下，（1）输入层：接收序列数据；（2）隐藏层：通过循环连接保存过去的信息，更新当前状态；（3）输出层：生成与输入序列相关的输出。RNN可以扩展为多种形式，包括长短期记忆网络（LSTM）和门控循环单元（GRU），这两种结构能够缓解标准RNN中的梯度消失问题，适合捕捉更长的依赖关系。例如，可以将MOFs结构编码成特定的SMILES形式，每一个SMILES由三个组成部分定义，分别是无机节点（金属）、有机配体和拓扑结构。学习生成新SMILES时，下一符号的分布将根据RNN模型预测结果进行生成，并对新生成MOFs材料的气体吸附能力、热力学稳定性等性质进行评估，帮助研究人员识别高性能的MOF材料^[53]。最近，Zhang等^[54]通过将蒙特卡罗树搜索与RNN算法相结合构建深度学习模型，以用于设计能够对甲烷和二氧化碳具有高吸附性能的新型MOFs。

4.3 图神经网络

图神经网络（Graph neural network，GNN）是一种专门用于处理图结构数据的深度学习模型。与CNN只能处理常规欧几里得数据不同，GNN能够操作由节点（Nodes）和边（Edges）构成的非欧几里得数据，通过消息传递（Message passing）机制建模节点间的局部和全局关系（图3c）。其核心思想是通过迭代更新节点特征，使每个节点的表示不仅包含自身属性，还聚合邻居节点的信息。这种特性使GNN能够有效捕捉图数据中的复杂拓扑结构和动态相互作用。传统的神经网络在处理图（由节点和边构成的网络结构）数据时表现不佳，因为图数据具有不规则性和复杂的连接关系。MOFs具有复杂且多样的结构，其中，原子可视为图中的节点，化学键为连接节点的边，而配位键、氢键等弱相互作用可通过边的权重或类型编码。传统分子建模方法（如基于几何描述符的模型）难以有效捕捉此类复杂性，而GNN能够自然地处理MOFs的图结构数据，并提取其拓扑特征（如节点连接模式、子图结构等）。从模型复杂度来看，GNN通常高于RNN。RNN通过处理序列数据，其参数量随序列长度线性增长；而GNN需同时建模节点特征和边关系，参数量随节点数和边数呈多项式增长^[55]。Xie等^[56]提出的晶体图卷积神经网络（Crystal graph convolutional neural network，CGCNN）模型通过晶体图表示MOFs的结构，该图编码了原子信息和原子间的键合作用，然后构建CNN来提取特征并准确预测形成能、绝对能、带隙、费米能等性质。Lu等^[57]采用CGCNN获得了准确率大于0.81的深度学习模型，并将其应用于筛选CSD数据库中的高性能储氢材料。

4.4 生成对抗网络

如图3d所示，GAN是一种由两个神经网络，即生成器（Generator）和判别器（Discriminator）组成的深度学习框架。生成器用于生成与真实数据相似的样本，而判别器则负责判断输入样本是真实的还是由生成器生成的。通过这种对抗过程，两个网络不断相互优化，最终实现生成高质量样本的目的^[58]。GAN通过学习已有MOFs数据集的特征，能够生成具有潜在优异性能的新型MOFs。例如，研究人员提出了一种由超分子VAE驱动的自动化纳米多孔材料发现平台，旨在实现网状材料的生成设计。该平台的设计过程以MOFs结构为例，目标是从天然气或烟气中分离二氧化碳。通过与多种被识别为优越气体分离的MOFs材料联合训练，自编码器展示了良好的优化能力。所发现的新型MOFs与一些已报道的最佳MOFs/沸石材料相比，也展现出较为优异的吸附性能。此外，在数据增强和反向设计等方面，GAN也展现出巨大的应用潜力^[58-59]。

除GAN外，VAE和扩散模型（Diffusion model）也在MOFs生成设计中取得了显著进展。VAE通过编码器将MOFs结构映射到潜在空间，再通过解码器生成新结构。例如，Yao等^[60]开发了一种基于VAE的MOFs生成框架，通过潜在空间插值生成具有连续孔隙率变化的MOFs。扩散模型通过逐步去噪生成高质量MOFs结构。例如，Park等^[61]提出了一种基于扩散模型的MOFs生成方法，通过模拟晶体生长过程生成具有特定拓扑结构的MOFs，其结构稳定性优于传统方法生成的MOFs。这些生成模型为MOFs设计提供了多样化工具，未来可通过多模型融合进一步提升新材料生成效率与质量。

5 结论与展望

本文通过传统机器学习技术在MOFs设计中的最新研究实例，探讨了开发新型描述符在高效表征MOFs结构特征方面的重要性，为提升机器学习模型预测性能提供了理论支持。此外，文章还深入分析了端到端深度学习模型在MOFs材料设计中的创新成果，展示了其在材料发现过程中的应用潜力。

未来MOFs描述符的发展应聚焦于如下几个方面：首先，描述符应更直观、具有明确的物理意义，以使模型预测结果更易被理解和验证^[62]。其次，描述符应涵盖MOFs的多样化结构和特性，确保它们能适用于不同的应用场景。此外，为了促进科学研究的可靠性，MOFs相关的描述符必须具备较高的可重复性。最后，由于MOFs材料结构复杂，优化计算成本是描述符发展的另一重要方向。例如，研究人员正在开发轻量化、计算复杂度低的描述符，以便大规模筛选和快速预测^[63]。

深度学习模型在处理高维数据和捕捉非线性关系方面展现出了显著优势，但同时也存在对数据量、计算资源的高需求和难以解释等挑战^[64]。研究人员提出了多种可解释性方法，以打开深度学习模型的“黑箱子”。值得强调的是，近年来深度学习可解释性研究取得了显著进展。例如，在CNN中，Grad-CAM（Gradient-weighted class activation mapping）技术通过梯度信息可视化模型所关注的关键区域，为图像分类任务提供了直观的解释^[65]。此外，不依赖模型的解释方法（如SHAP、LIME）也为深度学习可解释性提供了新思路。基于注意力机制的模型（如Transformer）也能够通过注意力权重直观地展示输入数据的重要性分布^[66]。Local interpretable model-agnostic explanations（LIME）方法通过在输入数据周围生成扰动样本，利用简单模型来近似复杂模型的行为，来为深度学习模型提供局部解释。在图像分类任务中，LIME可以生成一种局部的线性模型，说明某个特定预测是如何做出的，并指出哪些特征（例如图像中的特定区域）对决策最重要^[67]。Grad-CAM是一种用于CNN的可视化技术，通过计算梯度信息，将模型关注的区域映射到输入图像上^[68]。此外，也可与传统机器学习联用来提高深度学习模型的可解释性。将深度学习模型作为特征提取器，并构建一个简单且可解释的模型来近似其行为。例如，选择一个合适的深度学习模型，并在特定任务上进行训练，以确保模型能够有效地进行预测，将输入数据通过深度学习模型进行前向传播，获取中间层输出（特征表示）。将所有样本的特征输出汇聚成一个特征矩阵，再进行机器学习建模，比较可解释模型的预测结果与深度学习模型的输出，用机器学习的特征重要性帮助理解深度学习预测结果^[69]。与更易解释的传统机器学习方法相结合，进一步提升了深度学习模型的透明性^[70]。这些进展表明，深度学习模型的“黑箱”特性正在逐步被破解。

然而，MOF的实验数据相对稀缺，数据的多样性和代表性不足，这限制了基于机器学习的材料设计模型的训练和泛化能力。因此，开发基于迁移学习或元学习的端到端框架，以降低对大规模标注数据的依赖，成为一个重要的研究方向^[71]。此外，开源数据集和模型共享将促进全球研究者之间的知识交流，加速MOFs材料设计的创新和应用。结合晶体图、势能面、实验光谱等多源数据，构建更全面的MOFs设计平台，已成为领域发展的关键方向。在这一背景下，AI Agent展现出巨大的潜力，它能够高效地从海量的科学文献中提取MOFs相关的结构、性质和合成信息，构建全面的知识库。大语言模型（Large language models，LLMs）作为一种新兴的深度学习工具，凭借其强大的自然语言处理能力，能够从复杂的科学文本中提取关键信息，生成结构化数据，并辅助研究人员进行实验设计、计算脚本编写和数据分析等任务^[72]。例如，Bai等^[73]近期对开源大语言模型在MOFs研究中的系统性评估表明，此类模型在知识提取、实验设计、计算脚本生成及数据库解析等任务中均表现出色，尤其是Llama2-7B和ChatGLM2-6B模型能够以中等算力资源实现高精度信息挖掘。这为AI驱动的MOF研究提供了重要技术支撑。基于此类工具，Kang等^[74]开发的L2M3系统进一步扩展了其应用边界，通过LLMs从超过40 000篇文献中自动提取MOF的合成条件与性能数据，并构建了结构-合成-性能关系数据库。LLMs的高效数据处理能力不仅弥补了实验数据的不足，还可通过多任务协同（如预测材料性质、优化实验方案）为AI辅助的MOF设计奠定更坚实的理论与数据基础。

随着MOFs的广泛应用，其产生的环境健康风险也需要引起关注。MOFs的潜在毒性主要来源于以下几个方面：首先，金属离子在特定环境下可能释放，进而引发细胞毒性、神经毒性和免疫抑制等健康问题^[75]。其次，MOFs的有机配体在某些条件下可能发生降解，降解产物对生物系统可能造成不利影响^[76]。此外，MOFs通常以纳米颗粒形式存在，其独特的物理特性可能引发一系列生物效应，如炎症反应和生物体内的蓄积，增加长期毒性风险^[77]。因此，在关注MOFs性能提升的同时，也应注重降低其对生态系统和人类健康的不利影响。未来，可基于现有的毒性数据库和机器学习方法，开发毒性预测模型，进而筛选出具有生物相容性的MOFs^[78]。

总之，尽管传统机器学习和深度学习在MOFs设计中的应用面临诸多挑战，其发展前景依然广阔。随着技术的不断进步和跨学科合作的深入，传统机器学习和深度学习有望成为MOFs智能设计的重要工具，推动材料科学的革新，为新材料的开发和应用带来新的机遇。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Furukawa H, Cordova K E, O’Keeffe M, Yaghi O M. Science, 2013, 341(6149): 1230444.

[2]	Yang Q Y, Liu D H, Zhong C L, Li J R. Chem. Rev., 2013, 113(10): 8261.

[3]	Li J R, Kuppler R J, Zhou H C. Chem. Soc. Rev., 2009, 38(5): 1477.

[4]	Knebel A, Caro J. Nat. Nanotechnol., 2022, 17(9): 911.

[5]	Belmabkhout Y, Bhatt P M, Adil K, Pillai R S, Cadiau A, Shkurenko A, Maurin G, Liu G P, Koros W J, Eddaoudi M. Nat. Energy, 2018, 3(12): 1059.

[6]	Yarahmadi H, Salamah S K, Kheimi M. Sci. Rep., 2023, 13: 19136.

[7]	Agirrezabal-Telleria I, Luz I, Ortuño M A, Oregui-Bengoechea M, Gandarias I, López N, Lail M A, Soukri M. Nat. Commun., 2019, 10: 2076.

[8]	Wang S, Fu Y, Wang T, Liu W S, Wang J, Zhao P, Ma H P, Chen Y, Cheng P, Zhang Z J. Nat. Commun., 2023, 14: 7261.

[9]	Zhang J, Liu L S, Zheng C F, Li W, Wang C R, Wang T S. Nat. Commun., 2023, 14: 4922.

[10]	Deng K R, Hou Z Y, Li X J, Li C X, Zhang Y X, Deng X R, Cheng Z Y, Lin J. Sci. Rep., 2015, 5: 7851.

[11]	Hu L G, Wu W H, Hu M, Jiang L, Lin D H, Wu J, Yang K. Nat. Commun., 2024, 15: 3204.

[12]	Rosen A S, Fung V, Huck P, O’Donnell C T, Horton M K, Truhlar D G, Persson K A, Notestein J M, Snurr R Q. NPJ Comput. Mater., 2022, 8: 112.

[13]	Erickson B J. Radiol. Clin. N Am, 2021, 59(6): 933.

[14]	Rosenberg I, Sicard G, David E O. Entropy, 2018, 20(5): 390.

[15]	Salih A, Boscolo Galazzo I, Gkontra P, Lee A M, Lekadir K, Raisi-Estabragh Z, Petersen S E. Circ. Cardiovasc. Imag., 2023, 16(4): e014519.

[16]	Turing A M. Mind, 1950, 59(236): 433.

[17]	Mccarthy J, Minsky M, Rochester N, Shannon C E. AI Magazine, 2006, 27.

[18]	Krizhevsky A, Sutskever I, Hinton G JaINIPS. Commun. ACM, 2012, 25: 2.

[19]	Lu C X, Wan X L, Ma X H, Guan X J, Zhu A C. J. Chem. Inf. Model., 2022, 62(14): 3281.

[20]	He Y, Liu F, Min W C, Liu G H, Wu Y B, Wang Y, Yan X L, Yan B. ACS Appl. Mater. Interfaces, 2024, 16(48): 66367.

[21]	LeCun Y, Bengio Y, Hinton G. Nature, 2015, 521(7553): 436.

[22]	Zhang Y, Zhou B H, Cai X R, Guo W Y, Ding X K, Yuan X J. Inf. Sci., 2021, 551: 67.

[23]	Wang Z H, Chen J, Hoi S C H. IEEE Trans. Pattern Anal. Mach. Intell., 2021, 43(10): 3365.

[24]	Choi R. Y, Coyner A, Kalpathy-Cramer J, Chiang M, Campbell. J. P. Transl. Vis. Sci. Technol., 2020, 9: 14.

[25]	Talaei Khoei T, Ould Slimane H, Kaabouch N. Neural Comput. Appl., 2023, 35(31): 23103.

[26]	Wilmer C E, Leaf M, Lee C Y, Farha O K, Hauser B G, Hupp J T, Snurr R Q. Nat. Chem., 2012, 4(2): 83.

[27]	Chung Y G, Camp J, Haranczyk M, Sikora B J, Bury W, Krungleviciute V, Yildirim T, Farha O K, Sholl D S, Snurr R Q. Chem. Mater., 2014, 26(21): 6185.

[28]	Bobbitt N S, Shi K H, Bucior B J, Chen H Y, Tracy-Amoroso N, Li Z, Sun Y, Merlin J H, Siepmann J I, Siderius D W, Snurr R Q. J. Chem. Eng. Data, 2023, 68(2): 483.

[29]	Li A, Perez R B, Wiggin S, Ward S C, Wood P A, Fairen-Jimenez D. Matter, 2021, 4(4): 1105.

[30]	Yaghi O M, Li H L. J. Am. Chem. Soc., 1995, 117(41): 10401.

[31]	Düren T, Sarkisov L, Yaghi O M, Snurr R Q. Langmuir, 2004, 20(7): 2683.

[32]	Wilmer C E, Farha O K, Bae Y S, Hupp J T, Snurr R Q. Energy Environ. Sci., 2012, 5(12): 9849.

[33]	Groom C R, Bruno I J, Lightfoot M P, Ward S C. Acta Crystallogr. Sect. B Struct. Sci. Cryst. Eng. Mater., 2016, 72(2): 171.

[34]	Chung Y G, Haldoupis E, Bucior B J, Haranczyk M, Lee S, Zhang H D, Vogiatzis K D, Milisavljevic M, Ling S L, Camp J S, Slater B, Siepmann J I, Sholl D S, Snurr R Q. J. Chem. Eng. Data, 2019, 64(12): 5985.

[35]	Rosen A S, Iyer S M, Ray D, Yao Z P, Aspuru-Guzik A, Gagliardi L, Notestein J M, Snurr R Q. Matter, 2021, 4(5): 1578.

[36]	Wang J Q, Liu J P, Wang H S, Zhou M S, Ke G L, Zhang L F, Wu J Z, Gao Z F, Lu D N. Nat. Commun., 2024, 15: 1904.

[37]	Batra R, Chen C, Evans T G, Walton K S, Ramprasad R. Nat. Mach. Intell., 2020, 2(11): 704.

[38]	Mashhadimoslem H, Ali Abdol M, Karimi P, Zanganeh K, Shafeen A, Elkamel A, Kamkar M. ACS Nano, 2024, 18(35): 23842.

[39]	Cao Z L, Magar R, Wang Y Y, Barati Farimani A. J. Am. Chem. Soc., 2023, 145(5): 2958.

[40]	He Y P, Cubuk E D, Allendorf M D, Reed E J. J. Phys. Chem. Lett., 2018, 9(16): 4562.

[41]	Faber F, Lindmaa A, von Lilienfeld O A, Armiento R. Int. J. Quantum Chem., 2015, 115(16): 1094.

[42]	Pham T L, Nguyen N D, Nguyen V D, Kino H, Miyake T, Dam H C. J. Chem. Phys., 2018, 148(20): 204106.

[43]	Bai X F, Li Y, Xie Y B, Chen Q C, Zhang X, Li J R. Green Energy Environ., 2025, 10(1): 132.

[44]	Bucior B J, Bobbitt N S, Islamoglu T, Goswami S, Gopalan A, Yildirim T, Farha O K, Bagheri N, Snurr R Q. Mol. Syst. Des. Eng., 2019, 4(1): 162.

[45]	Chandrashekar G, Sahin F. Comput. Electr. Eng., 2014, 40(1): 16.

[46]	Odhiambo Omuya E, Onyango Okeyo G, Waema Kimwele M. Expert Syst. Appl., 2021, 174: 114765.

[47]	Goodall R E A, Lee A A. Nat. Commun., 2020, 11: 6280.

[48]	Zhao M M, Peng H P, Li L X, Ren Y Q. Sensors, 2024, 24(5): 1522.

[49]	Choudhary K, DeCost B. NPJ Comput. Mater., 2021, 7: 185.

[50]	Sanchez-Cesteros O, Rincon M, Bachiller M, Valladares-Rodriguez S. Sensors, 2023, 23(17): 7582.

[51]	Sarikas A P, Gkagkas K, Froudakis G E. Sci. Rep., 2024, 14: 2242.

[52]	Hung T H, Xu Z X, Kang D Y, Lin L C. J. Phys. Chem. C, 2022, 126(5): 2813.

[53]	Arús-Pous J, Johansson S V, Prykhodko O, Bjerrum E J, Tyrchan C, Reymond J L, Chen H M, Engkvist O. J. Cheminf., 2019, 11: 71.

[54]	Zhang X Y, Zhang K X, Lee Y J. ACS Appl. Mater. Interfaces, 2020, 12(1): 734.

[55]	Ju W, Fang Z, Gu Y Y, Liu Z Q, Long Q Q, Qiao Z Y, Qin Y F, Shen J H, Sun F, Xiao Z P, Yang J W, Yuan J Y, Zhao Y S, Wang Y F, Luo X, Zhang M. Neural Netw., 2024, 173: 106207.

[56]	Xie T, Grossman J C. Phys. Rev. Lett., 2018, 120(14): 145301.

[57]	Lu X Y, Xie Z Z, Wu X J, Li M M, Cai W Q. Chem. Eng. Sci., 2022, 259: 117813.

[58]	Sanchez-Lengeling B, Aspuru-Guzik A. Science, 2018, 361(6400): 360.

[59]	Gómez-Bombarelli R, Wei J N, Duvenaud D, Hernández-Lobato J M, Sánchez-Lengeling B, Sheberla D, Aguilera-Iparraguirre J, Hirzel T D, Adams R P, Aspuru-Guzik A. ACS Cent. Sci., 2018, 4(2): 268.

[60]	Yao Z P, Sánchez-Lengeling B, Bobbitt N S, Bucior B J, Kumar S G H, Collins S P, Burns T, Woo T K, Farha O K, Snurr R Q, Aspuru-Guzik A. Nat. Mach. Intell., 2021, 3(1): 76.

[61]	Park J, Lee Y, Kim J. Nat. Commun., 2025, 16(1): 34.

[62]	Nandy A, Terrones G, Arunachalam N, Duan C R, Kastner D W, Kulik H J. Sci. Data, 2022, 9: 74.

[63]	Burner J, Luo J, White A, Mirmiran A, Kwon O, Boyd P G, Maley S, Gibaldi M, Simrod S, Ogden V, Woo T K. Chem. Mater., 2023, 35(3): 900.

[64]	Masegosa A R, Cabañas R, Langseth H, Nielsen T D, Salmerón A. Entropy, 2021, 23(1): 117.

[65]	Selvaraju R R, Cogswell M, Das A, Vedantam R, Parikh D, Batra D. Int. J. Comput. Vis., 2020, 128(2): 336.

[66]	Yeh C, Chen Y D, Wu A Y, Chen C, Viégas F, Wattenberg M. IEEE Trans. Visual. Comput. Graphics, 2024, 30(1): 262.

[67]	Hussain I, Jany R, Boyer R, Azad A, Alyami S A, Park S J, Hasan M M, Hossain M A. Sensors, 2023, 23(17): 7452.

[68]	Rajpoot R, Gour M, Jain S, Semwal V B. Sci. Rep., 2024, 14: 24985.

[69]	Linardatos P, Papastefanopoulos V, Kotsiantis S. Entropy, 2021, 23(1): 18.

[70]	Samek W, Montavon G, Vedaldi A, Hansen L K, Müller K. Explainable AI: Interpreting, Explaining and Visualizing Deep Learning. Springer Cham, 2019. 5.

[71]	Kang Y, Park H, Smit B, Kim J. Nat. Mach. Intell., 2023, 5(3): 309.

[72]	Zhang W, Wang Q G, Kong X T, Xiong J C, Ni S K, Cao D H, Niu B Y, Chen M G, Li Y M, Zhang R Z, Wang Y T, Zhang L H, Li X T, Xiong Z P, Shi Q, Huang Z M, Fu Z Y, Zheng M Y. Chem. Sci., 2024, 15(27): 10600.

[73]	Bai X F, Xie Y B, Zhang X, Han H G, Li J R. J. Chem. Inf. Model., 2024, 64(13): 4958.

[74]	Kang Y, Lee W, Bae T, Han S, Jang H, Kim J. J. Am. Chem. Soc., 2025, 147(5): 3943.

[75]	Wiśniewska P, Haponiuk J, Saeb M R, Rabiee N, Bencherif S A. Chem. Eng. J., 2023, 471: 144400.

[76]	Tang M Y, Guan Q, Fang Y L, Wu X, Zhang J J, Xie H, Yu X, Ou R W. Sep. Purif. Technol., 2024, 342: 127059.

[77]	Ettlinger R, Lächelt U, Gref R, Horcajada P, Lammers T, Serre C, Couvreur P, Morris R E, Wuttke S. Chem. Soc. Rev., 2022, 51(2): 464.

[78]	He Y, Liu G, Li C, Yan X. Rev. Environ. Contam. Toxicol., 2022, 260(1): 21.

[1]	Furukawa H, Cordova K E, O’Keeffe M, Yaghi O M. Science, 2013, 341(6149): 1230444.
[2]	Yang Q Y, Liu D H, Zhong C L, Li J R. Chem. Rev., 2013, 113(10): 8261.
[3]	Li J R, Kuppler R J, Zhou H C. Chem. Soc. Rev., 2009, 38(5): 1477.
[4]	Knebel A, Caro J. Nat. Nanotechnol., 2022, 17(9): 911.
[5]	Belmabkhout Y, Bhatt P M, Adil K, Pillai R S, Cadiau A, Shkurenko A, Maurin G, Liu G P, Koros W J, Eddaoudi M. Nat. Energy, 2018, 3(12): 1059.
[6]	Yarahmadi H, Salamah S K, Kheimi M. Sci. Rep., 2023, 13: 19136.
[7]	Agirrezabal-Telleria I, Luz I, Ortuño M A, Oregui-Bengoechea M, Gandarias I, López N, Lail M A, Soukri M. Nat. Commun., 2019, 10: 2076.
[8]	Wang S, Fu Y, Wang T, Liu W S, Wang J, Zhao P, Ma H P, Chen Y, Cheng P, Zhang Z J. Nat. Commun., 2023, 14: 7261.
[9]	Zhang J, Liu L S, Zheng C F, Li W, Wang C R, Wang T S. Nat. Commun., 2023, 14: 4922.
[10]	Deng K R, Hou Z Y, Li X J, Li C X, Zhang Y X, Deng X R, Cheng Z Y, Lin J. Sci. Rep., 2015, 5: 7851.
[11]	Hu L G, Wu W H, Hu M, Jiang L, Lin D H, Wu J, Yang K. Nat. Commun., 2024, 15: 3204.
[12]	Rosen A S, Fung V, Huck P, O’Donnell C T, Horton M K, Truhlar D G, Persson K A, Notestein J M, Snurr R Q. NPJ Comput. Mater., 2022, 8: 112.
[13]	Erickson B J. Radiol. Clin. N Am, 2021, 59(6): 933.
[14]	Rosenberg I, Sicard G, David E O. Entropy, 2018, 20(5): 390.
[15]	Salih A, Boscolo Galazzo I, Gkontra P, Lee A M, Lekadir K, Raisi-Estabragh Z, Petersen S E. Circ. Cardiovasc. Imag., 2023, 16(4): e014519.
[16]	Turing A M. Mind, 1950, 59(236): 433.
[17]	Mccarthy J, Minsky M, Rochester N, Shannon C E. AI Magazine, 2006, 27.
[18]	Krizhevsky A, Sutskever I, Hinton G JaINIPS. Commun. ACM, 2012, 25: 2.
[19]	Lu C X, Wan X L, Ma X H, Guan X J, Zhu A C. J. Chem. Inf. Model., 2022, 62(14): 3281.
[20]	He Y, Liu F, Min W C, Liu G H, Wu Y B, Wang Y, Yan X L, Yan B. ACS Appl. Mater. Interfaces, 2024, 16(48): 66367.
[21]	LeCun Y, Bengio Y, Hinton G. Nature, 2015, 521(7553): 436.
[22]	Zhang Y, Zhou B H, Cai X R, Guo W Y, Ding X K, Yuan X J. Inf. Sci., 2021, 551: 67.
[23]	Wang Z H, Chen J, Hoi S C H. IEEE Trans. Pattern Anal. Mach. Intell., 2021, 43(10): 3365.
[24]	Choi R. Y, Coyner A, Kalpathy-Cramer J, Chiang M, Campbell. J. P. Transl. Vis. Sci. Technol., 2020, 9: 14.
[25]	Talaei Khoei T, Ould Slimane H, Kaabouch N. Neural Comput. Appl., 2023, 35(31): 23103.
[26]	Wilmer C E, Leaf M, Lee C Y, Farha O K, Hauser B G, Hupp J T, Snurr R Q. Nat. Chem., 2012, 4(2): 83.
[27]	Chung Y G, Camp J, Haranczyk M, Sikora B J, Bury W, Krungleviciute V, Yildirim T, Farha O K, Sholl D S, Snurr R Q. Chem. Mater., 2014, 26(21): 6185.
[28]	Bobbitt N S, Shi K H, Bucior B J, Chen H Y, Tracy-Amoroso N, Li Z, Sun Y, Merlin J H, Siepmann J I, Siderius D W, Snurr R Q. J. Chem. Eng. Data, 2023, 68(2): 483.
[29]	Li A, Perez R B, Wiggin S, Ward S C, Wood P A, Fairen-Jimenez D. Matter, 2021, 4(4): 1105.
[30]	Yaghi O M, Li H L. J. Am. Chem. Soc., 1995, 117(41): 10401.
[31]	Düren T, Sarkisov L, Yaghi O M, Snurr R Q. Langmuir, 2004, 20(7): 2683.
[32]	Wilmer C E, Farha O K, Bae Y S, Hupp J T, Snurr R Q. Energy Environ. Sci., 2012, 5(12): 9849.
[33]	Groom C R, Bruno I J, Lightfoot M P, Ward S C. Acta Crystallogr. Sect. B Struct. Sci. Cryst. Eng. Mater., 2016, 72(2): 171.
[34]	Chung Y G, Haldoupis E, Bucior B J, Haranczyk M, Lee S, Zhang H D, Vogiatzis K D, Milisavljevic M, Ling S L, Camp J S, Slater B, Siepmann J I, Sholl D S, Snurr R Q. J. Chem. Eng. Data, 2019, 64(12): 5985.
[35]	Rosen A S, Iyer S M, Ray D, Yao Z P, Aspuru-Guzik A, Gagliardi L, Notestein J M, Snurr R Q. Matter, 2021, 4(5): 1578.
[36]	Wang J Q, Liu J P, Wang H S, Zhou M S, Ke G L, Zhang L F, Wu J Z, Gao Z F, Lu D N. Nat. Commun., 2024, 15: 1904.
[37]	Batra R, Chen C, Evans T G, Walton K S, Ramprasad R. Nat. Mach. Intell., 2020, 2(11): 704.
[38]	Mashhadimoslem H, Ali Abdol M, Karimi P, Zanganeh K, Shafeen A, Elkamel A, Kamkar M. ACS Nano, 2024, 18(35): 23842.
[39]	Cao Z L, Magar R, Wang Y Y, Barati Farimani A. J. Am. Chem. Soc., 2023, 145(5): 2958.
[40]	He Y P, Cubuk E D, Allendorf M D, Reed E J. J. Phys. Chem. Lett., 2018, 9(16): 4562.
[41]	Faber F, Lindmaa A, von Lilienfeld O A, Armiento R. Int. J. Quantum Chem., 2015, 115(16): 1094.
[42]	Pham T L, Nguyen N D, Nguyen V D, Kino H, Miyake T, Dam H C. J. Chem. Phys., 2018, 148(20): 204106.
[43]	Bai X F, Li Y, Xie Y B, Chen Q C, Zhang X, Li J R. Green Energy Environ., 2025, 10(1): 132.
[44]	Bucior B J, Bobbitt N S, Islamoglu T, Goswami S, Gopalan A, Yildirim T, Farha O K, Bagheri N, Snurr R Q. Mol. Syst. Des. Eng., 2019, 4(1): 162.
[45]	Chandrashekar G, Sahin F. Comput. Electr. Eng., 2014, 40(1): 16.
[46]	Odhiambo Omuya E, Onyango Okeyo G, Waema Kimwele M. Expert Syst. Appl., 2021, 174: 114765.
[47]	Goodall R E A, Lee A A. Nat. Commun., 2020, 11: 6280.
[48]	Zhao M M, Peng H P, Li L X, Ren Y Q. Sensors, 2024, 24(5): 1522.
[49]	Choudhary K, DeCost B. NPJ Comput. Mater., 2021, 7: 185.
[50]	Sanchez-Cesteros O, Rincon M, Bachiller M, Valladares-Rodriguez S. Sensors, 2023, 23(17): 7582.
[51]	Sarikas A P, Gkagkas K, Froudakis G E. Sci. Rep., 2024, 14: 2242.
[52]	Hung T H, Xu Z X, Kang D Y, Lin L C. J. Phys. Chem. C, 2022, 126(5): 2813.
[53]	Arús-Pous J, Johansson S V, Prykhodko O, Bjerrum E J, Tyrchan C, Reymond J L, Chen H M, Engkvist O. J. Cheminf., 2019, 11: 71.
[54]	Zhang X Y, Zhang K X, Lee Y J. ACS Appl. Mater. Interfaces, 2020, 12(1): 734.
[55]	Ju W, Fang Z, Gu Y Y, Liu Z Q, Long Q Q, Qiao Z Y, Qin Y F, Shen J H, Sun F, Xiao Z P, Yang J W, Yuan J Y, Zhao Y S, Wang Y F, Luo X, Zhang M. Neural Netw., 2024, 173: 106207.
[56]	Xie T, Grossman J C. Phys. Rev. Lett., 2018, 120(14): 145301.
[57]	Lu X Y, Xie Z Z, Wu X J, Li M M, Cai W Q. Chem. Eng. Sci., 2022, 259: 117813.
[58]	Sanchez-Lengeling B, Aspuru-Guzik A. Science, 2018, 361(6400): 360.
[59]	Gómez-Bombarelli R, Wei J N, Duvenaud D, Hernández-Lobato J M, Sánchez-Lengeling B, Sheberla D, Aguilera-Iparraguirre J, Hirzel T D, Adams R P, Aspuru-Guzik A. ACS Cent. Sci., 2018, 4(2): 268.
[60]	Yao Z P, Sánchez-Lengeling B, Bobbitt N S, Bucior B J, Kumar S G H, Collins S P, Burns T, Woo T K, Farha O K, Snurr R Q, Aspuru-Guzik A. Nat. Mach. Intell., 2021, 3(1): 76.
[61]	Park J, Lee Y, Kim J. Nat. Commun., 2025, 16(1): 34.
[62]	Nandy A, Terrones G, Arunachalam N, Duan C R, Kastner D W, Kulik H J. Sci. Data, 2022, 9: 74.
[63]	Burner J, Luo J, White A, Mirmiran A, Kwon O, Boyd P G, Maley S, Gibaldi M, Simrod S, Ogden V, Woo T K. Chem. Mater., 2023, 35(3): 900.
[64]	Masegosa A R, Cabañas R, Langseth H, Nielsen T D, Salmerón A. Entropy, 2021, 23(1): 117.
[65]	Selvaraju R R, Cogswell M, Das A, Vedantam R, Parikh D, Batra D. Int. J. Comput. Vis., 2020, 128(2): 336.
[66]	Yeh C, Chen Y D, Wu A Y, Chen C, Viégas F, Wattenberg M. IEEE Trans. Visual. Comput. Graphics, 2024, 30(1): 262.
[67]	Hussain I, Jany R, Boyer R, Azad A, Alyami S A, Park S J, Hasan M M, Hossain M A. Sensors, 2023, 23(17): 7452.
[68]	Rajpoot R, Gour M, Jain S, Semwal V B. Sci. Rep., 2024, 14: 24985.
[69]	Linardatos P, Papastefanopoulos V, Kotsiantis S. Entropy, 2021, 23(1): 18.
[70]	Samek W, Montavon G, Vedaldi A, Hansen L K, Müller K. Explainable AI: Interpreting, Explaining and Visualizing Deep Learning. Springer Cham, 2019. 5.
[71]	Kang Y, Park H, Smit B, Kim J. Nat. Mach. Intell., 2023, 5(3): 309.
[72]	Zhang W, Wang Q G, Kong X T, Xiong J C, Ni S K, Cao D H, Niu B Y, Chen M G, Li Y M, Zhang R Z, Wang Y T, Zhang L H, Li X T, Xiong Z P, Shi Q, Huang Z M, Fu Z Y, Zheng M Y. Chem. Sci., 2024, 15(27): 10600.
[73]	Bai X F, Xie Y B, Zhang X, Han H G, Li J R. J. Chem. Inf. Model., 2024, 64(13): 4958.
[74]	Kang Y, Lee W, Bae T, Han S, Jang H, Kim J. J. Am. Chem. Soc., 2025, 147(5): 3943.
[75]	Wiśniewska P, Haponiuk J, Saeb M R, Rabiee N, Bencherif S A. Chem. Eng. J., 2023, 471: 144400.
[76]	Tang M Y, Guan Q, Fang Y L, Wu X, Zhang J J, Xie H, Yu X, Ou R W. Sep. Purif. Technol., 2024, 342: 127059.
[77]	Ettlinger R, Lächelt U, Gref R, Horcajada P, Lammers T, Serre C, Couvreur P, Morris R E, Wuttke S. Chem. Soc. Rev., 2022, 51(2): 464.
[78]	He Y, Liu G, Li C, Yan X. Rev. Environ. Contam. Toxicol., 2022, 260(1): 21.

基金资助

国家自然科学基金项目(22476056)

国家自然科学基金项目(22106025)

PDF (3368KB)

438

访问

被引

详细

导航

Received	Published	Revised
2024-11-05	2025-08-24	2025-03-12
Online Date
2025-07-28

摘要