利物浦大学Angew: 机器学习用于预测MOF中客体的可及性

金属和连接体的选择共同决定了金属-有机骨架（MOF）的结构和客体可及性，但大量可能的金属-连接体组合使得合成组分的选择具有挑战性。

在此，利物浦大学Matthew J. Rosseinsky等人利用机器学习（ML）来帮助化学家从最早的材料设计阶段确定可用选项的优先级，在这个阶段，只有有机配体和合成组合的金属物种的化学特性是已知的，以便确定最有可能提供高客体可及性MOF结构的金属-连接体组合。

为了实现这一目标，首先，作者从剑桥结构数据库 (CSD) MOF子集中获得了一个将3D MOF结构连接到其化学骨架成分（即金属和连接体）的数据集。然后，评估了各种ML模型以了解组分化学和MOF特性之间的联系，而无需明确要求对MOF结构有经验知识。

图1. 创建1M1L3D数据集及ML模型的工作流程

作为说明性示例，作者构建了1M1L3D 数据集，由3D连接的仅由单一金属和单一连接体物种组成的MOF网络构建而成，并将其用于训练随机森林模型。该模型成功预测由给定金属-连接体组合产生的这种类型MOF的可及性，准确率为80.5%。

此外，还生成了两个额外的ML模型，分别用于预测孔隙是小、中还是大。这些ML方法提供了简单的指导，根据生成客体可及性MOF的可能性以及潜在孔隙尺寸与吸附、分离和催化应用所需尺寸的匹配，为合成探索的候选金属-连接体组合的优先排序提供参考，目的是加速发现超出当前结构数据库的开放框架MOF结构。

图2. ML基于其连接体和金属成分预测候选MOF可及性的准确性

Machine Learning Prediction of Metal-Organic Framework Guest Accessibility from Linker and Metal Chemistry, Angewandte Chemie International Edition 2021. DOI: 10.1002/anie.202114573

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/28ec71fb3c/

利物浦大学Angew: 机器学习用于预测MOF中客体的可及性

相关推荐

发表回复