MIT新AI模型準確預測分子溶解度

新模型預測分子在不同溶劑中的溶解度

麻省理工學院（MIT）化學工程師利用機器學習技術，開發出一套計算模型，可以準確預測任何分子在有機溶劑中的溶解能力。這項技術對製藥合成等領域至關重要，因為溶解度是合成藥物和其他有用分子的關鍵步驟。透過此模型，科研人員能更輕鬆地選擇適合的溶劑，甚至能減少使用對環境和人體有害的溶劑。

模型助力藥物合成與環境保護

新模型能預測溶質在特定溶劑中的溶解量，幫助化學家在合成過程中選擇最合適的溶劑。常見的有機溶劑包括乙醇和丙酮，而其他數百種溶劑亦常用於化學反應中。研究團隊指出，過去溶解度預測是合成規劃的瓶頸，尤其在藥物製造上意義重大。模型公開後，已有多間公司及實驗室開始應用，特別是在尋找環境友善替代溶劑方面效果明顯。

MIT研究生Lucas Attia表示：「準確預測溶解度長期以來都是化學合成和製造的挑戰，此模型可望大大提升預測能力。」另一研究生Jackson Burns補充，許多高效溶劑雖然溶解力強，但對環境和人體有害，企業都希望能減少使用量，這套模型有助尋找更安全的替代品。

從傳統模型到機器學習的新突破

這套新模型源自Attia和Burns在MIT課程中共同研究的成果。傳統上，化學家會使用Abraham溶解模型，透過分子內化學結構的加總來估計溶解度，準確度有限。近年來，機器學習開始被用來提升預測精度。2022年Green教授實驗室開發的SolProp模型曾是當時最先進，但對未見過的溶質預測仍有困難。

2023年，BigSolDB資料庫問世，彙整了近800篇文獻中約800種分子在100多種常用有機溶劑中的溶解數據，為訓練新模型提供了豐富數據。Attia和Burns利用這些數據訓練了兩種模型：一種是FastProp，使用「靜態嵌入」（模型預先知道分子的數字特徵）；另一種是ChemProp，在訓練過程中學習分子特徵。兩者都能將分子結構轉化為數字向量，從而預測化學性質。

訓練過程中，模型還考慮了溫度對溶解度的影響，這是溶解度預測的重要因素。測試結果顯示，兩種模型的預測準確度是先前SolProp的兩至三倍，且能精準捕捉溫度引起的微小溶解度變化。

數據質量成為模型性能關鍵

研究團隊原本預期能動態學習特徵的ChemProp模型會比靜態嵌入的FastProp表現更佳，但結果兩者不分上下。這顯示現有數據的質量已成為限制模型進一步提升的瓶頸。Burns說：「只要數據足夠，ChemProp理應勝出，但現實告訴我們是數據本身的限制影響了模型表現。」

Attia指出，不同實驗室採用不同方法和條件進行溶解度測試，導致數據變異性大，這是目前綜合資料集面臨的主要挑戰。研究團隊認為，若未來能有統一標準的高質量數據，模型準確度還能繼續提升。

模型開源，推動產業與科研應用

由於FastProp模型預測速度較快且易於其他用戶修改，團隊將其命名為FastSolv並公開發布。目前已有多家製藥公司開始使用這套工具，應用範圍涵蓋藥物研發流程的各個階段。Burns表示：「除了藥物配方和研發，我們期待其他領域也能利用這個模型。」

此研究獲得美國能源部部分資助，成果已發表於《自然通訊》（Nature Communications）。

—

編輯評論：

這項來自MIT的研究突破了傳統溶解度預測模型的限制，結合機器學習與大數據，提升了分子溶解度預測的準確性與可用性。對於製藥產業而言，準確預測分子與溶劑的相容性不僅能節省大量實驗時間和成本，更能幫助尋找對環境與人體更安全的溶劑，符合當前綠色化學與可持續發展的趨勢。

然而，從結果可見，模型的瓶頸已轉向數據本身的質量與一致性。這反映出科學研究中「數據為王」的真諦：無論算法多先進，若數據有雜訊或不一致，效果難以突破。未來科研界若能建立統一標準的溶解度數據庫，將進一步推動化學合成自動化和智能化。

此外，這種模型的公開與易用性，也為中小型企業和學術機構提供了強大工具，促進跨領域合作與創新。隨著AI技術與化學工程的結合日益緊密，我們有望見證更多類似革命性進展，從根本上改變新藥開發、材料科學乃至環境保護的面貌。對香港等地的科研和產業界來說，這無疑提供了借鑒和啟發，值得密切關注和積極引入。

以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。