金屬和連接體的選擇共同決定了金屬-有機(jī)骨架(MOF)的結(jié)構(gòu)和客體可及性,但大量可能的金屬-連接體組合使得合成組分的選擇具有挑戰(zhàn)性。在此,利物浦大學(xué)Matthew J. Rosseinsky等人利用機(jī)器學(xué)習(xí)(ML)來(lái)幫助化學(xué)家從最早的材料設(shè)計(jì)階段確定可用選項(xiàng)的優(yōu)先級(jí),在這個(gè)階段,只有有機(jī)配體和合成組合的金屬物種的化學(xué)特性是已知的,以便確定最有可能提供高客體可及性MOF結(jié)構(gòu)的金屬-連接體組合。為了實(shí)現(xiàn)這一目標(biāo),首先,作者從劍橋結(jié)構(gòu)數(shù)據(jù)庫(kù) (CSD) MOF子集中獲得了一個(gè)將3D MOF結(jié)構(gòu)連接到其化學(xué)骨架成分(即金屬和連接體)的數(shù)據(jù)集。然后,評(píng)估了各種ML模型以了解組分化學(xué)和MOF特性之間的聯(lián)系,而無(wú)需明確要求對(duì)MOF結(jié)構(gòu)有經(jīng)驗(yàn)知識(shí)。圖1. 創(chuàng)建1M1L3D數(shù)據(jù)集及ML模型的工作流程作為說(shuō)明性示例,作者構(gòu)建了1M1L3D 數(shù)據(jù)集,由3D連接的僅由單一金屬和單一連接體物種組成的MOF網(wǎng)絡(luò)構(gòu)建而成,并將其用于訓(xùn)練隨機(jī)森林模型。該模型成功預(yù)測(cè)由給定金屬-連接體組合產(chǎn)生的這種類型MOF的可及性,準(zhǔn)確率為80.5%。此外,還生成了兩個(gè)額外的ML模型,分別用于預(yù)測(cè)孔隙是小、中還是大。這些ML方法提供了簡(jiǎn)單的指導(dǎo),根據(jù)生成客體可及性MOF的可能性以及潛在孔隙尺寸與吸附、分離和催化應(yīng)用所需尺寸的匹配,為合成探索的候選金屬-連接體組合的優(yōu)先排序提供參考,目的是加速發(fā)現(xiàn)超出當(dāng)前結(jié)構(gòu)數(shù)據(jù)庫(kù)的開(kāi)放框架MOF結(jié)構(gòu)。圖2. ML基于其連接體和金屬成分預(yù)測(cè)候選MOF可及性的準(zhǔn)確性Machine Learning Prediction of Metal-Organic Framework Guest Accessibility from Linker and Metal Chemistry, Angewandte Chemie International Edition 2021. DOI: 10.1002/anie.202114573