【儀表網 研發快訊】近日，深圳研究生院新材料學院長聘副教授莫凡洋團隊在柱層析分離技術領域取得重要進展。研究團隊通過結合自動化實驗與機器學習方法，成功開發出柱層析分離條件的智能預測模型。柱層析作為有機化學實驗室最常用的分離純化手段、有機合成工作者的基本實驗技能，其分離條件的確定——如層析柱規格、上樣方式、流動相選擇、產品接收技巧等——需要實驗人員富有經驗。然而相關經驗的積累通常需要長周期的培養與反復實踐，其形成的認知體系深度綁定于特定實驗系統與研究者個體，呈現個體差異大、難以標準化、知識傳遞升級乏力的實際，嚴重遲滯了該項技術創新的迭代速率。
 

自動化與機器學習結合建立柱層析預測模型
 

　　針對以上問題，研究團隊開展柱層析機器學習預測模型研究。首先構建了自動化實驗平臺，系統采集了218種有機化合物在6365次柱層析實驗中的保留體積數據，建立了標準化數據集。該數據集不僅包含詳細的分子結構特征，還整合了洗脫劑比例、上樣質量、層析柱規格等關鍵實驗參數。這一標準化數據采集方式，可將傳統依賴經驗的分離過程轉化為可量化分析的科學問題。
 

特征工程
 

　　基于這些實驗數據，研究團隊開發了分位數幾何增強圖神經網絡(QGeoGNN)模型。該模型通過構建原子-鍵圖(GraphG)和鍵-角圖(GraphH)雙重圖表征，實現了對分子三維結構特征和實驗條件的協同建模。其中，原子-鍵圖精確描述了分子的拓撲結構，而鍵-角圖則有效捕捉了分子的空間構型特征。研究還創新性地將實驗參數嵌入圖神經網絡的邊特征，使模型能夠同時考慮分子特性和實驗條件的影響。實驗驗證表明，該模型對保留體積的預測決定系數R²超過0.9，顯著優于傳統經驗方法。此外，模型采用的分位數學習技術還能提供預測結果的置信區間，為實驗設計提供更多參考信息。
 

不同算法訓練結果對比
 

　　在實際應用驗證中，研究團隊選取了包括Claisen重排反應、鈀催化偶聯反應、氰基加成反應等在內的多類經典有機反應體系進行系統測試。結果顯示，該智能預測系統對不同規格層析柱(4g—40g)和多種溶劑體系(如石油醚/乙酸乙酯、二氯甲烷/甲醇等)均表現出良好的適用性。研究提出的分離概率(Sp)指標能夠定量評估特定條件下混合物的分離效果，為實驗設計提供了可靠的量化依據。通過核磁共振驗證，由模型預測的分離條件所得產物純度均達到預期標準。前述研究結論充分證明了開發的智能預測模型在化學研究中的實用價值。
 

實驗驗證
 

　　這項研究不僅為有機合成中的純化工藝優化提供了新的技術手段，也為人工智能在化學領域的應用開辟了新方向。相關數據集和模型代碼已在GitHub平臺開源，旨在為后續研究深化與拓展提供便利。
 

　　相關成果以“Intelligent Column Chromatography Prediction Model Based on Automation and Machine Learning”為題，于2025年5月29日在線發表于Cell Press旗下化學領域旗艦期刊Chem。論文通訊作者是莫凡洋，第一作者是課題組博士生吳文超。該工作以人工智能驅動有機合成化學基礎學科領域的純化優化問題為研究主題，這一“標準化數據集建設-預測模型開發-合成化學體系實際應用驗證”的研究工作體現了新材料學院AI4S交叉研究的階段性成果。