摘要：共价有机框架（COFs）是一类通过共价键连接分子构建的晶体材料，具有高度的结构多样性，在分离、催化和生物应用中展现出优异的物理化学性质。然而，由于构建块组合的爆炸式增长，即使借助理论模型和结构模拟，系统性实验筛选仍不切实际，使得具有目标性质的COF发现充满挑战
AI驱动迭代实验加速发现高荧光共价有机框架
共价有机框架（COFs）是一类通过共价键连接分子构建的晶体材料，具有高度的结构多样性，在分离、催化和生物应用中展现出优异的物理化学性质。然而，由于构建块组合的爆炸式增长，即使借助理论模型和结构模拟，系统性实验筛选仍不切实际，使得具有目标性质的COF发现充满挑战。
近日，武汉大学邓鹤翔教授、中国科学技术大学江俊教授、陈林江教授和香港科技大学唐本忠院士合作，提出了一种人工智能辅助的交互式实验-学习进化方法，成功加速了高荧光COFs的发现。该方法将模型推荐、实验验证和主动学习整合于迭代优化循环中，使AI模型随过程不断进化。在由20种胺单元和26种醛单元构成的520种可能组合中，仅通过实验评估11种COFs，便鉴定出一种光致发光量子产率高达41.3%的COF。通过将电子构型与量子层面洞察嵌入学习过程，该策略突破了基于统计直觉的传统思路，实现了以化学知识为驱动的材料发现，显著提升了预测的可信度与可解释性。相关论文以“Discovery of highly fluorescent covalent organic frameworks through AI-assisted iterative experiment–learning cycles”为题，发表在Nature Chemistry上。
研究团队首先构建了一套完整的工作流程（图1），包括从文献中提取COF构建块、构建化学空间数据集，并利用多层感知机模型进行预训练，以二聚体为桥梁关联构建块电子特性与COF荧光性能。该流程的独特之处在于将前沿轨道能级和激发态电荷分布等电子结构信息嵌入学习过程，使预测更具化学意义。
图1：AI辅助荧光COF发现的工作流程图 a. 通过大语言模型阅读COF文献并提取化学结构，筛选候选胺与醛构建块； b. 构建多层感知机模型，将构建块属性与对应COF的荧光性能关联，以二聚体为桥梁； c. 使用连体神经网络进行交互式实验-学习进化，利用实际实验结果微调模型，逐步提升推荐精度。
在交互式实验-学习进化阶段（图2），研究采用连体神经网络进行逐代优化。初始阶段随机推荐五种COF结构（第一代），其中PL-COF-4的量子产率为10.6%。随后每代依次推荐并实验合成一种COF，模型根据实验结果持续调优。至第三代，PL-COF-11的量子产率跃升至41.3%，PL-COF-10也达到21%，与当前最优荧光二维COF性能相当。第四代进一步验证了模型在化学空间中对高荧光区域识别的准确性。
图2：交互式实验-学习进化过程中各代详细情况 a. 模型初始化阶段（第一代），从化学空间中均匀分布随机推荐五种COF结构，标记为黄点，合成并测量其PLQY作为反馈； b. 第二代与第三代分别包含三个顺序迭代周期，每周期预测并实验研究一种COF，连体网络模型预测精度逐步提升，最终识别出最优荧光COF； c. 从高表现候选区域邻近选取十一种补充COF，验证预测准确性，同时丰富数据集，深入探究分子构建块参数与COF荧光性能之间的构效关系。
所有22种荧光COFs均通过实验合成与系统表征（图3），包括粉末X射线衍射、高分辨透射电镜等，确认其具有高结晶性与一致的六方拓扑结构。结构精修与电子衍射结果显示，PL-COF-4和PL-COF-11的晶胞参数与实验观测高度吻合，进一步验证了结构模型的可靠性。
图3：PL-COFs实际实验数据作为机器学习模型可靠支持及结构-性能关联建立 a–d. 根据PXRD图谱精修得到的PL-COF结构：分别展示第一至第四代中的PL-COF-4、PL-COF-8、PL-COF-11与PL-COF-22，其中PL-COF-4与PL-COF-11的晶胞在二维平面中标出； e–h. PL-COF-4的高分辨TEM图像、选区电子衍射图、快速傅里叶变换图及放大HR-TEM图像（左为原始，右为滤波），实验独立重复三次，结果相似； i–l. PL-COF-11的对应图像，分辨率5.1 Å，实验独立重复三次，结果相似。PXRD精修所得结构模型的a/b比与电子衍射及FFT图像结果一致。
机制研究中（图4），通过Shapley加性解释模型对28项构建块描述符进行重要性排序，发现醛单元的电负性、电子离域指数以及胺单元的空穴-电子空间重叠程度是影响荧光性能的关键因素。电子-空穴分布分析表明，高荧光COFs中激发态电荷主要集中于醛单元，而弱荧光体系则多分布于胺单元，说明醛单元作为荧光团，胺单元可能起淬灭作用。此外，构建块间HOMO–LUMO能级的匹配程度对抑制光致电子转移、增强荧光至关重要。
图4：COFs荧光性能与构建块关联的机制洞察 a. Shapley加性解释模型基于实验结果修正后的模型，对28项构建块描述符的重要性排序； b–e. 醛单元与胺单元在二聚体电子与空穴分布中的贡献百分比分析，红点代表高荧光COF聚集在右上角（醛贡献高）与左下角（胺贡献低）； f. 总结b–e趋势，高荧光与非荧光COF中电子-空穴分布模式对比； g. Ami-11与不同醛单元的HOMO–LUMO能级比较； h. Ald-25与不同胺单元的HOMO–LUMO能级比较； i. 二维COF荧光机制示意图，构建块间HOMO–LUMO能级匹配是关键。
在生物成像应用中（图5），以PL-COF-11为例，其在近红外二区激发下表现出双光子荧光特性，成像深度达924微米，分辨率可识别1.9微米毛细血管，远优于其分子构建块Ald-13的成像性能。同时，PL-COF-11具备优异的光稳定性和生物相容性，展现出作为生物成像探头的广阔潜力。
图5：使用PL-COF-11与Ald-13标记的小鼠脑血管活体双光子荧光成像 a. PL-COF-11处理小鼠脑血管在不同深度的2PF图像及三维重建，在NIR-II（1200 nm）激发下获取，数据独立重复三次； b. 使用Ald-13作为探头时不同深度的2PF图像，数据独立重复三次。COF作为探头的成像深度与分辨率显著优于构建块分子。
本研究表明，交互式实验-学习策略有效融合了AI预测与研究者经验，通过少量迭代循环即可实现高性能材料的快速发掘。嵌入电子结构的AI模型不仅提升了物性预测的准确性，也揭示了以往难以捕捉的化学机制，如构建块间轨道能级匹配对荧光性能的决定性作用。该框架为未来功能性COFs的理性设计提供了可迁移的研究范式，推动了人工智能在化学材料发现中的深度融合。
来源：科学银河系
