酞菁铁中N4-Fe2+的氧化还原化学和氧还原性能

准确理解金属大环配合物(如N4-Fe²⁺)体系的氧化还原化学性能,对氧还原反应(ORR)电催化剂的基础研究和合理设计具有重要意义.本文采用微波法将三种不同酞菁铁类金属大环配合物吸附在碳纳米管上,分别记为(NH2)4FePc@CNTs,(t-Bu)4FePc@CNTs和FePc@CNTs,考察了取代基对Fe³⁺/Fe²⁺氧化还原电位的影响,以及碱性介质中的氧还原反应催化活性.结果表明,FePc@CNTs,(t-Bu)4FePc@CNTs和(NH2)4FePc@CNTs的ORR起始电位分别为0.98,0.96和0.96 V,而半波电位(E1/2)由高到低的顺序为FePc@CNTs(E1/2=0.91 V),(t-Bu)4FePc@CNTs(E1/2=0.87 V),(NH2)4FePc@CNTs(E1/2=0.83 V).与20%Pt/C(E1/2=0.85 V)相比,FePc@CNTsFePc@CNTs具有优异的ORR性能.在活性、稳定性和耐甲醇性方面,FePc@CNTs复合材料比其他复合材料表现出更高的ORR性能.研究发现,FePc上的供电子基团可以显著改变N4-Fe²⁺活性位点的电子云密度,增加dz 2轨道(HOMO)的能量,并观察到Fe²⁺/Fe³⁺氧化还原电位显著向阴极方向移动.结果表明,取代基的高电子贡献能力降低了HOMO和LUMO(O2的杂轨道*-轨道)之间的电子耦合,从而降低了氧还原催化活性.因此,FePc框架外围的供电子基团对ORR不利.本文阐明了取代基电子效应-金属大环配合物氧化还原电位与ORR催化性能之间的关系,为ORR催化剂活性中心的构建和调控提供了借鉴.     

亲电取代反应中活性位点预测方法的比较

预测发生亲电取代反应的活性位点具有重要的理论和实际意义. 目前已提出了许多基于反应物自身电子结构的预测方法. 本文选择14 个单取代苯和8 个双取代苯作为测试集,对14 种预测方法的可靠性进行了详细的比较分析. 结果表明,福井函数、平均局部离子化能等体现局部电子软度的方法特别适合含有邻对位定位基的单取代苯和双取代苯体系,但对于含有单个间位定位基的体系,这类方法往往预测失败. 基于静电效应的预测方法整体表现明显不如体现局部软度的方法,但更适合含有单个间位定位基的体系. 对所有体系预测能力最稳健的是双描述符,因此可以作为普适性的预测方法.     

人工智能助力当代化学研究

以机器学习为代表的人工智能在当代的科学研究中正在发挥越来越重要的作用.不同于传统的计算机程序,机器学习人工智能可以通过对大量数据的反复分析和自身模型的优化,即“学习”过程,从而在大量的数据中寻找客观事物的相互联系,形成具有更好预测和决策能力的新模型,做出合理的判断.化学研究的特点恰恰是机器学习人工智能的强项.化学研究经常要面对十分复杂的物质体系和实验过程,从而很难通过化学物理原理进行精准的分析和判断.人工智能可以挖掘化学实验中产生的海量实验数据的相关性,帮助化学家做出合理分析预测,大大加速化学研发过程.本文介绍了当代人工智能方法及用其解决化学问题基本原理,并通过具体案例展示了人工智能辅助解决不同化学研发问题的方法以及对应的机器学习算法.将人工智能运用在化学科学的尝试正处于蓬勃上升期,人工智能已经初步展示出对化学研究的强大助力,希望本文能帮助更多的国内的化学工作者了解和运用这一有力的工具.     

基于新型氨基酸描述符SVICE对肽类药物进行QSAR研究

采用20种天然氨基酸的47个information indices描述符、33个connectivity indices描述符和44个eigenvalue-based indices描述符分别进行主成分分析,得出一种新的氨基酸描述符-SVICE.将其分别对三肽血管收缩素转化酶(ACE)、抗菌十八肽(AMP)、苦味活性二肽(BTT)序列表征后,建立结构与活性的SMR-MLR模型,并采用内外部双重验证的方法检验模型的稳定性.所建模型相关统计参量如下:复相关系数(Rcum2)、留一法(LOO)交互校验复相关系数(RCV2)和外部样本校验复相关系数(Qext2)分别为0.988,0.964,0.985;0.990,0.970和0.855;0.949,0.887,0.830.结果表明,运用SVICE描述符建立的MLR模型拟合、预测能力均较好,能较好解释肽类药物的活性与结构间的关系从而为新的强活性肽类药物的分子设计和改造提供了指导.     

高效选取线性独立的原子特征构建精确机器学习势函数

机器学习势由于具有与第一性原理计算相当的准确性,且低得多的计算成本,在原子模拟中极具前景. 然而原子机器学习势的可靠性、速度和可迁移性在很大程度上取决于原子构型的表示. 适当地选取用作机器学习程序输入的描述符是一个成功的机器学习表示的关键. 本文发展了一种简单有效的方法,可以基于训练数据固有的相关性,从大量待选的描述符中自动选取一组最佳的线性独立原子特征. 通过对几个具有较少冗余线性独立嵌入密度描述符的基准分子构建嵌入原子神经网络势的应用,证明了这种新方法的有效性和准确性. 该算法可以大大简化原子特征的初始选取,并极大地提高原子机器学习势的性能.     

有机化学品的生物降解性及构效关系

介绍了描述生物降解性的主要测定参数，测定过程的影响因素及常用的结构描述符，并结合实例综述了目前应用比较广泛的定量结构－生物降解性关系（QSBR）技术，最后，分析了QSBR工作存在的主要问题及研究前景。     

人类A3腺苷受体拮抗剂1,2,4-三唑并[1,5-α]喹喔啉衍生物的QSAR研究

采用遗传算法构建了27种人类腺苷受体拮抗剂1,2,4-三唑并[1,5-α]喹喔啉衍生物与受体之间的亲和性的QSAR模型.为得到理想模型,计算了拓扑学、热力学、空间、电子拓扑状态和量子化学描述符.结合这些参数得到最终模型:ENpKi=13.407-0.027*FC-8-0.033*FC-8 0.845*Atype_C_28-19.493*Shadow_XYfrac.计算得到的统计学指标为:LOF=0.291,r2=0.766,ra2dj=0.723,F-test=17.974,PRESS=3.469,CV-r2=0.791.通过对模型进行分析,得到如下结论:降低C-8位亲电、亲核原子的前线电子密度的权重和分子在XY平面的投影分数,增加疏水性原子类型描述符Atpye_C_28的值,都对增加化合物分子与受体的亲和性有利.利用此模型合理的设计了两个新的化合物,并预测具有较高的结合活性.该研究为喹喔啉衍生物作为人类A3腺苷受体拮抗剂的结构改造提供理论指导,并为进一步研究受体与配体亲和性机理奠定理论基础.     

基于QSAR模型的有机磷化合物毒性预测

随着有机磷化合物(OPs)的广泛应用,其在越来越多的环境介质中被检测出来。大多数OPs具有毒性,但人们缺乏快速且有效的预测手段来对毒性进行评估。本文将结合E-Dragon软件计算的分子描述符,采用不同的QSAR模型对36个OPs的毒性进行预测。文中采用后退法作为描述符筛选方法,以均方根误差(RMSE)作为评价标准,共找到14个对线性核函数支持向量机(SVM)模型贡献较大的描述符;在最终得到的SVM模型交叉验证结果中,计算值与实际值的相关系数为0. 913,均方根误差为0. 388;外部测试验证结果中,平均相对误差为9. 10%。此外,采用多元线性回归(MLR)、人工神经网络(ANN)以及偏最小二乘回归(PLS)模型对OPs的毒性进行预测,交叉验证结果显示,三个模型的计算值与实际值的相关系数分别为0. 878、0. 686与0. 620,没有SVM模型的预测能力好。因此采用线性核函数的SVM模型对OPs进行毒性预测是一个行之有效的方法。     

利用异或运算和编码约束的降维LDP人脸识别方法

为了有效表示面部特征,在局部方向模式(LDP)的基础上,提出降维局部方向模式(RDLDP)。首先,修改LDP编码模式约束以完成模式的重构,通过对LDP码进行异或运算来计算每个块的单一码;然后,将所得编码图像划分为生成直方图,连接所有区域的直方图块以形成最终描述符。最后,计算特征向量间的卡方相异性度量值,并使用最近邻分类器完成最终的人脸识别。实验采用了三个公开的标准数据库FERET、扩展YALE-B和ORL。实验结果验证了提出算法的有效性。与其他基于局部描述符的先进方法相比,提出方法在准确度和错误识别率等方面更优。     

基于分子对接和QSAR方法预测B-Raf II型抑制剂活性

B-Raf激酶在促分裂素原活化蛋白激酶(MAPK)信号转导通路中起着重要作用,已被确定为癌症治疗非常有吸引力的靶标.新型高效B-Raf抑制剂的开发成为癌症治疗的一个热门研究领域.本文以结构多样的B-Raf II型抑制剂为研究对象,联合应用分子对接和定量构效关系(QSAR)模型研究其定量构效关系去探讨抑制活性的起源.两个主题作为研究重点:生物活性构象和描述符.首先对分子对接方法(Glide、Gold、LigandFit、Cdocker和Libdock)进行准确性评价,后将研究的对象分子对接到B-Raf活性位点并获得生物活性构象.基于准确的对接结果,计算得到16个打分评价函数和21个能量描述符,以此构建定量构效关系模型. QSAR结果表明模型具有高度精确的拟合和强的预测能力(模型M1: r² = 0.852, r_(CV)² = 0.790, r_pre² = 0.864;模型M2: r² = 0.738, r_(CV)² = 0.812, r_pre² = 0.8605).同时探讨了对抑制活性有重要影响的描述符,结果表明打分评价函数(G_Score, -ECD, Dock_Score, PMF)与能量描述符(S(hb_ext), DE(int), Emodel)对抑制活性影响非常大.通过虚拟筛选和QSAR模型理论预测,一些新的具有潜在抑制活性的化合物作为B-Raf II型抑制剂被获得.上述信息对于进一步设计新颖高效的B-Raf II型抑制剂提供了有用的指导.