红外光谱（Infrared Spectroscopy, IR）是化学分析中用于识别未知化合物的高效方法。然而，现有的红外光谱计算方法与机器学习模型通常假设分子处于气相（gas phase），忽略了分子相态（phase dependency）对红外光谱的影响。针对这一问题，Gyoung S. Na*（通讯作者，单位：Korea Research Institute of Chemical Technology）在《Analytical Chemistry》期刊2024年第96卷（19659-19669页）发表了一项原创研究，提出了一种名为“Phase-Aware Spectrum Generative Network (PASGen)”的机器学习方法，首次实现了从二维分子结构生成相态依赖的红外光谱。以下为研究的详细报告。

学术背景

红外光谱通过测量分子对红外辐射的吸收，提供化学键和分子结构的关键信息，广泛应用于有机化学、材料科学等领域。传统计算方法（如密度泛函理论）需依赖耗时的分子结构优化，且假设理想环境（如绝对零温），难以处理实际复杂分子及相态效应。已有机器学习方法（如MPNN、AttentiveFP）虽能预测气相红外光谱，但无法处理相态差异导致的谱图变化。PASGen的提出填补了这一空白，目标是通过结合图神经网络（Graph Neural Network, GNN）与Transformer解码器，直接从二维分子结构和相态信息生成相态依赖的红外光谱。

研究流程与方法

1. 数据集构建

   • 数据来源：从NIST Chemistry WebBook数据库收集11,546组实验测量的红外光谱，涵盖10,288个独特分子，相态包括固态（solid）、液态（liquid）和气态（gas）。
     
   • 预处理：对原始光谱进行多项式插值（polynomial interpolation）和Savitzky-Golay滤波，将吸光度（absorbance）转换为透射率（transmittance）。
     

2. 模型架构
   PASGen由三部分组成：

   • 相态感知分子编码器（PAME）：基于图神经网络，将分子结构（SMILES或InChi编码）与相态信息（one-hot向量）融合，生成相态依赖的分子嵌入（molecular embedding）。
     
     • 创新点：引入相态嵌入（phase embedding）至边特征（edge feature），通过注意力机制（attention mechanism）加权原子贡献（式6）。
       
   • 波数折叠层（WFL）：采用滑动窗口（sliding window）将连续波数（wavenumber）分块，降低Transformer计算复杂度。
     
   • 条件光谱生成器（CSG）：基于Transformer解码器，从分子嵌入和波数窗口生成透射率序列。
     

3. 实验设计

   • 对比方法：包括非序列模型（MPNNFC、AttFPFC）和序列模型（MPNNTF、AttFPTF），以及传统频率计算方法（ORCA 5.0.2）。
     
   • 评估指标：均方根误差（RMSE）、对数误差（RMSLE）、距离相关性（Corr.）。
     

主要结果

1. 生成精度

   • PASGen在NIST数据集上达到RMSE=0.079（较最佳对比模型MPNNTF降低29.46%），Corr.=0.895，显著优于现有方法（表1）。
     
   • 对含常见子结构（如苯环、羰基）的分子，PASGen的Corr.接近0.9（表2），且误差标准差降低50%。
     

2. 相态适应性

   • 在子集Sub（含208个分子的多相态光谱）中，PASGen的RMSE为0.079，较MPNNTF（0.142）降低42.75%（图6a）。
     
   • 定性分析显示，PASGen成功捕捉2,5-二羟基苯乙酮（2,5-dihydroxypropiophenone）在固/气相中的峰位偏移（图6c），而MPNNTF因训练数据偏倚（气相占比高）无法生成固态光谱（图6b）。
     

3. 计算效率

   • PASGen生成单张光谱仅需3毫秒，较传统频率计算方法（ORCA）提速262倍（图8a）。
     

结论与价值

1. 科学意义

   • 首次实现从二维结构生成相态依赖的红外光谱，解决了传统方法忽略相态效应的局限性。
     
   • 通过Transformer解码器和滑动窗口机制，平衡了序列建模的精度与计算效率。
     

2. 应用价值

   • 为复杂分子（如含重原子或大分子）的红外光谱预测提供高效工具，避免耗时量子化学计算。
     
   • 开源代码（GitHub: https://github.com/ngs00/pasgen）促进化学信息学与机器学习交叉研究。
     

研究亮点

1. 方法创新：
   
   • 提出PAME模块，将相态信息嵌入分子图表示；
     
   • 结合WFL与Transformer，首次实现窗口级光谱生成。
     
2. 性能突破：在11,546组实验数据上验证了相态感知生成的必要性，误差降低近30%。
   
3. 跨领域潜力：PASGen生成的分子嵌入（式14）可扩展至溶解度、自由能等分子属性预测任务（表4）。
   

其他价值

• 局限性：对固态光谱的预测误差较高（RMSE=0.129），未来需优化数据平衡与相态编码。
  
• 延伸应用：通过Transformer注意力机制解析峰位偏移的物理机制，有望推动可解释性研究。
  

该研究为计算化学与机器学习融合提供了范例，其相态感知框架可拓展至其他谱学分析领域。