多伦多大学工程学院研究人员创建开放获取工具MOF-ChemUnity，为金属有机框架(MOF)研究提供系统方法，助力更便捷发现。MOF是一类应用广泛的材料，在药物输送、催化、碳捕获等领域发挥作用，其超高的比表面积和可精确调控的化学性质，使其拥有广阔应用前景，如用作分子筛分离气体、捕获微小分子检测低浓度物质、加速工业反应及输送药物等。MOF在科技领域重要性日益凸显，2025年诺贝尔化学奖授予MOF便是例证。

随着MOF研究在25个以上应用领域加速发展，跟踪知识体系愈发困难，对研究人员和AI工具都是挑战。由化学工程与应用化学系Mohamad Moosavi教授和Vector研究所领导的团队，开发出MOF-ChemUnity应对此挑战。该成果发表于《美国化学会志》，并被选为封面文章。

MOF-ChemUnity通过结构化和可扩展的知识图谱，从MOF研究论文、晶体结构库和计算材料数据库中提取和链接信息。其核心是多智能体大型语言模型工作流程，能将文献中的化学名称与正确晶体结构关联，使合成步骤、材料性质和潜在应用以一致且机器可读的格式呈现。该团队还将知识图谱与大型语言模型结合，构建基于文献的AI助手。在多机构MOF专家盲评中，该助手回答比GPT-4o等基线LLM更准确、易解释、值得信赖，可减少AI幻觉，支持可靠科学推理。

多伦多大学团队已在GitHub公开数据集和代码，支持材料科学和人工智能驱动的研究持续发展。Moosavi称，该项目为科学知识组织和获取方式转变奠定基础，有助于打破科研壁垒，MOF-ChemUnity是迈向能跨领域处理数据的AI系统的第一步，为基于文献的发现建立新范式，是加速多领域研究的通用知识系统开端。