计算顶刊周报合集||Angew.、ACS Catal.、ACS Nano、Nat. Commun.、JACS...
新年伊始，万象复兴。理论计算领域进入新的一年，又有哪些新工作引人注目了呢？让我们一起研究一番吧。
1.Nature Communications：基于条件生成神经网络的三维分子结构反向设计
合理设计具有理想性能的分子，是化学中长期存在的挑战。生成神经网络，已经成为一种从学习分布中采样新分子的强大方法。在此，来自德国柏林工业大学的Niklas W. A. Gebauer & Kristof T. Schütt等研究者，提出了一种条件生成神经网络用于特定化学和结构性质的三维分子结构。这种方法与化学键无关，并且能够从条件分布中有针对性地采样新分子，即使是在参考计算很少的领域。研究者通过生成具有特定基序或组成的分子，发现特别稳定的分子，以及联合针对超出训练范围的多种电子特性，证明了他们的反设计方法的实用性。
参考文献：
Gebauer, N.W.A., Gastegger, M., Hessmann, S.S.P. et al. Inverse design of 3d molecular structures with conditional generative neural networks. Nat Commun 13, 973 (2022).
https://doi.org/10.1038/s41467-022-28526-y
原文链接：
https://www.nature.com/articles/s41467-022-28526-y
2.Nature Communications：隐微扰哈密顿函数作为一类通用的机器学习分子表示
通过机器学习来解决具有挑战性的问题，最近已经成为许多科学学科的热门话题。为了开发严格的机器学习模型来研究分子科学中感兴趣的问题，将分子结构转换为适当的机器学习输入的定量表示，发挥了核心作用。许多不同的分子表现形式和最先进的表现形式，尽管在研究许多分子特征方面效率很高，但在许多具有挑战性的情况下仍然不是最优的，正如在当前研究的背景下所讨论的那样。在此，来自德国基督教阿尔布雷希茨大学的Amin Alibakhshi等研究者引入隐式微扰哈密顿量(ImPerHam)作为一类通用表示形式，以提高机器学习在分子科学中的挑战性问题的效率。基于连续介质溶剂化模型，ImPerHam表示被定义为分子哈密顿量的能量属性，它隐含地受到许多假设或真实的任意溶剂的扰动。研究者展示了基于ImPerHam表示的机器学习模型，在预测CYP450酶抑制、分子系统非共价相互作用能的高精度和可转移评估三个不同且具有挑战性的案例中的杰出性能，并能精确再现了大型基准装置的溶剂化自由能。
参考文献：
Alibakhshi, A., Hartke, B. Implicitly perturbed Hamiltonian as a class of versatile and general-purpose molecular representations for machine learning. Nat Commun 13, 1245 (2022).
https://doi.org/10.1038/s41467-022-28912-6
原文链接：
https://www.nature.com/articles/s41467-022-28912-6#citeas
3.Nature Communications：硅酸盐三钙溶解的从头算机理揭示
在自然界和工业中，矿物在水中的溶解是普遍存在的，尤其是硅酸钙类。然而，这种复杂的化学反应的行为在原子水平上仍不清楚。在此，来自澳门大学的李宗津等研究者表明，从头算分子动力学和元动力学模拟可以定量分析钙离子从硅酸盐三钙(Ca3SiO5)表面溶解的反应路径、热力学和动力学。不同配位环境的钙位点导致不同的反应路径和自由能垒。低的自由能垒导致钙离子的脱离是一个配体交换和自催化过程。此外，水的吸附、质子交换和水向表面层的扩散也逐步加速了钙离子从表面层的浸出。这一发现对揭示硅酸三钙的水化机理具有里程碑意义。
参考文献：
Li, Y., Pan, H., Liu, Q. et al. Ab initio mechanism revealing for tricalcium silicate dissolution. Nat Commun 13, 1253 (2022).
https://doi.org/10.1038/s41467-022-28932-2
原文链接：
https://www.nature.com/articles/s41467-022-28932-2#citeas
4.JACS：腔洞调制质子转移反应
质子转移，在许多基本的化学和生物过程中普遍存在，调节和控制质子转移速率的能力，将对许多量子技术的发展产生重大影响。利用光学或纳米等离子体腔内化学系统的强光物质耦合，可以调节质子转移过程的反应速率。在此，来自美国熨斗研究所计算物理中心的Fabijan Pavošević & Johannes Flick等研究者，利用不同的量子电动力学方法，特别是量子电动力学耦合团簇理论和量子电动力学密度泛函理论，研究了原型丙二醛和Z-3-氨基-丙烯分子中的质子转移反应。根据腔模偏振方向的不同，研究者发现光腔可以使反应能垒增加10-20%或降低反应能垒约5%。利用第一性原理方法，本工作建立了强光物质耦合作为改变和催化质子转移反应的可行和实用的途径。
参考文献：
Fabijan Pavošević, Sharon Hammes-Schiffer, Angel Rubio, and Johannes Flick, Cavity-Modulated Proton Transfer Reactions. Journal of the American Chemical Society Article ASAP DOI: 10.1021/jacs.1c13201
原文链接：
https://pubs.acs.org/doi/10.1021/jacs.1c13201
5.JACS：机器学习有时可能只是简单地捕捉文献流行趋势：以杂环铃木-宫村耦合为例
T
机器学习(ML)在合成化学中的应用依赖于这样一个假设，即大量文献报道的例子，应该能够构建准确和预测化学反应性的模型。这篇论文表明，丰富的精心策划的文献数据，可能不足以达到这一目的。在此，来自美国伊利诺伊大学香槟分校的Martin D. Burke & 炼金术股份有限公司的Bartosz A. Grzybowski等研究者，以Suzuki-Miyaura与杂环构建块耦合为例，以及精心挑选的>10,000个文献实例数据库，数据表明，即使搜索空间仅限于溶剂和碱，ML模型也不能提供对最佳反应条件的任何有意义的预测。这一结果适用于ML模型(从简单的前馈到最先进的图卷积神经网络)或描述反应伙伴的表征(各种指纹、化学描述符、潜在表征等)。在所有的情况下，基于文献中报道的某些反应条件的纯粹频率，ML方法没有比单纯赋值方法执行得更好。这些不令人满意的结果，可能反映了不同化学家对使用某些协议的主观偏好，其他偏颇因素，如某些溶剂/试剂的可用性，和/或缺乏负面数据。这些发现，突出了为算法训练系统地生成可靠和标准化数据集的重要性。
参考文献：
Wiktor Beker, Rafał Roszak, Agnieszka Wołos, Nicholas H. Angello, Vandana Rathore, Martin D. Burke, and Bartosz A. Grzybowski. Machine Learning May Sometimes Simply Capture Literature Popularity Trends: A Case Study of Heterocyclic Suzuki–Miyaura Coupling. Journal of the American Chemical Society Article ASAP DOI: 10.1021/jacs.1c12005
原文链接：
https://pubs.acs.org/doi/10.1021/jacs.1c12005
