分子机器学习(ML)正通过快速预测分子相互作用和特性，为药物发现、材料科学及催化剂优化等领域带来革新。然而，传统分子表征方法存在局限性，往往忽略了关键的量子力学细节。为应对这一挑战，Gabe Gomes、Daniil Boiko及其团队在《自然机器智能》期刊上提出了一种新型分子ML表示，该表示融入了量子化学相互作用信息。

化学工程博士生Boiko与卡内基梅隆大学化学工程与化学助理教授Gomes的研究表明，他们的模型表示通过包含关于(自然键)轨道及其相互作用的额外信息，显著提升了模型性能，优于标准分子图。立体电子效应，这一源于分子轨道与电子相互作用空间关系的特性，对分子的几何构形、反应性、稳定性等物理和化学性质产生直接影响。Gomes教授长期致力于研究分子结构与反应性之间的关系，特别是立体电子效应的开发和应用。此次，他与Boiko的合作将立体电子信息编码到分子机器学习模型中，成功创建了立体电子注入分子图(SIMG)。

尽管计算轨道之间的相互作用可能耗费大量计算资源，但Boiko和Gomes开发的新模型能够基于标准分子图快速生成扩展表示，显著缩短了计算时间。新模型在几秒钟内即可完成预测，而传统方法可能需要数小时或数天。该模型特别适用于中等至大型分子，甚至在常规量子化学计算难以进行的场合，如整个肽和蛋白质的研究中，也能发挥重要作用。

在开发过程中，Boiko和Gomes特别注重模型的表示形式，确保其易于被分子机器学习和化学界理解。他们还创建了一个Web应用程序，用于快速分析分子的立体电子相互作用，进一步提升了方法的可访问性和理解度。

展望未来，该团队计划将表征范围扩展到整个元素周期表，并展示从光谱学到催化领域的广泛应用。通过增强分子表征并快速生成新的量子信息图，Boiko和Gomes显著提升了分子机器学习的能力。

更多信息： Daniil A. Boiko 等人，利用立体电子学注入的分子图推进分子机器学习表征，《自然机器智能》(2025)。期刊信息： 《自然机器智能》