Chem. Sci. | 条件变分自编码器驱动的离子液体化学空间扩展

DRUGONE

离子液体是一类具有低熔点特性的盐类化合物，在催化、电池、分离过程及药物递送等领域具有广泛应用潜力。然而，其潜在化学空间极其庞大，而目前实验探索的区域仅占极小部分。尽管机器学习为探索这一空间提供了新途径，但现有离子液体数据库中离子结构多样性有限，严重制约了生成模型的性能。

研究人员提出一种基于条件变分自编码器（CVAE）的生成框架，并引入一种新的离子评分机制作为条件约束，用于优先生成更可能形成低熔点离子液体的阳离子和阴离子。随后，构建通用熔点预测模型筛选潜在低熔点离子对。化学空间可视化结果表明，该方法显著扩展了现有离子液体结构范围，并生成大量新颖结构。分子动力学模拟进一步验证，所筛选样本中大多数确实具有低熔点特性。

离子液体由阳离子和阴离子组成，其显著特征是熔点通常低于 373 K。由于离子间复杂相互作用，这类材料表现出优异的可调控物化性质，使其在化工与能源领域极具价值。

理论上，离子液体可通过无数组合构建庞大的化学空间，但目前已知离子液体仅有数千种。传统计算方法如密度泛函理论和分子动力学虽然可揭示结构—性质关系，但计算成本高昂，难以进行大规模筛选。

近年来，机器学习被广泛用于预测离子液体熔点、黏度和溶解性能。然而，生成新离子结构仍面临两大瓶颈：

• 现有离子液体数据规模小、偏向低熔点；
• 生成结构往往与已知离子高度相似，缺乏多样性。

因此，亟需一种能够在保持低熔点特性的同时，大幅拓展离子液体结构多样性的生成策略。

方法

研究人员首先从 PubChem 构建大规模阳离子与阴离子数据库，并整合已有离子液体数据。通过逻辑回归模型训练离子评分器，用于区分“类离子液体离子”与一般离子结构。

随后，将离子评分作为条件变量引入 CVAE 模型，分别生成阳离子与阴离子结构，并通过后处理过滤不稳定或不可合成离子。生成离子组合后，利用基于通用熔点数据库训练的深度学习模型预测离子对熔点，筛选潜在低熔点候选物。

结果

通用熔点预测模型表现稳健

基于大规模通用熔点数据库训练的模型，在测试集上表现出良好的预测精度，避免了仅基于离子液体数据训练所带来的低熔点偏置问题。

该模型能够在低熔点离子液体与高熔点普通盐之间实现有效区分。

离子评分器成功识别“类离子液体”结构

离子评分器对已知离子液体离子赋予显著更高评分，而对一般 PubChem 离子评分较低。同时，部分未见过的新离子也获得较高评分，表明模型可识别潜在可行结构。

CVAE 可生成高新颖性与高多样性离子

生成模型在以下指标上表现突出：

• 高结构唯一性
• 极高新颖性（大多数结构未出现在训练集）
• 合理重构能力

尽管部分结构存在化学不稳定性，但通过后过滤有效剔除。

条件生成显著引导低熔点结构方向

当 CVAE 以高离子评分作为条件时，生成离子组合的预测熔点显著低于低评分条件生成的组合。

这表明离子评分机制成功将生成过程引导至更有利于形成离子液体的化学空间区域。

生成离子结构具有丰富化学多样性

生成样本包含多种结构特征：

• 不同尺寸杂环阳离子
• 羧酸盐、磷酸盐、硫代结构阴离子
• 常见长链烷基与含氟基团

同时保持与真实离子液体的关键结构相似性。

离子液体化学空间显著扩展

UMAP 可视化显示，生成离子液体分布在现有离子液体化学空间之外，形成多个新结构簇，同时部分与已知结构区域相连，表明模型既探索新区域又保持化学合理性。

讨论

本研究提出了一种融合结构评分、条件生成与熔点预测的机器学习工作流，实现了离子液体化学空间的系统性扩展。

其关键优势包括：

• 利用大规模通用离子数据库突破小样本限制；
• 通过离子评分软约束引导生成方向；
• 引入通用熔点预测模型避免低熔点偏置；

与传统基于片段组合或小数据生成的方法相比，该框架不仅产生结构更为新颖的离子，同时保持形成低熔点离子液体的高概率。

分子动力学验证进一步证明生成候选物在物理性质上的可靠性。

研究人员指出，未来可进一步：

• 直接生成离子对而非单个离子；
• 引入主动学习与实验反馈闭环；
• 结合强化学习进行性质优化。

该框架不仅适用于离子液体设计，也可推广至深共熔溶剂、金属配合物等材料体系。

整理 | DrugOne团队

参考资料

Ren, G., Mroz, A., Philippi, F., Welton, T. and Jelfs, K.E., 2026. Expanding the chemical space of ionic liquids using conditional variational autoencoders. Chemical Science.

内容为【DrugOne】公众号原创｜转载请注明来源