类型a：

Théophile Gaudin等研究者关于糖基表面活性剂结构与临界胶束浓度下表面张力关系的定量构效关系研究

作者及机构
本研究由Théophile Gaudin（法国国立工业环境与风险研究院，INERIS）、Patricia Rotureau（INERIS）、Isabelle Pezron（索邦大学-贡比涅技术大学）及Guillaume Fayet（INERIS）共同完成，发表于2018年的*Journal of Colloid and Interface Science*（第516卷，162-171页）。

学术背景
糖基表面活性剂（sugar-based surfactants）是一类由可再生资源（如生物精炼产物）合成的两亲性分子，其亲水头部通常为糖类结构，疏水尾部为烷基链。由于石油基表面活性剂的环境问题，糖基表面活性剂因其可再生性和类似性能成为替代品。然而，其结构多样性（如极性头大小、烷基链长度及分支）导致实验筛选成本高昂。因此，研究者提出通过定量构效关系（Quantitative Structure-Property Relationships, QSPR）模型预测其临界胶束浓度（Critical Micelle Concentration, CMC）下的表面张力（γ_CMC），以指导分子设计。

研究流程
1. 数据收集与处理
- 从文献中收集了70种糖基表面活性剂的γ_CMC数据（温度范围293–303 K），排除含添加剂或盐的体系以确保数据一致性。
- 通过Krafft温度筛选确保分子在室温下可形成胶束。
- 数据集按γ_CMC值分层划分为训练集（47种）和验证集（23种），以覆盖化学多样性。

1. 分子描述符计算

   • 采用密度泛函理论（DFT）在B3LYP/6-31+G(d,p)水平优化分子构型，并计算量子化学描述符（如电负性、硬度）及片段描述符（极性头与烷基链的原子数、电荷分布等）。
     
   • 共计算953个描述符，包括整体分子描述符（326个）和片段描述符（627个）。
     

2. 模型构建与验证

   • 使用CODESSA软件进行多元线性回归（MLR），通过最佳多元线性回归（BMLR）方法筛选关键描述符。
     
   • 采用留一法（LOO）和留多法（LMO）交叉验证评估模型稳健性，并进行Y-随机化检验排除偶然相关性。
     
   • 外部验证通过验证集评估预测误差（如均方根误差RMSE）。
     

3. 模型应用

   • 结合Abbott近似方法，将γ_CMC与CMC的QSPR模型联用，预测表面张力-浓度曲线。
     

主要结果
1. 最佳QSPR模型
- 基于量子化学描述符的模型（式2）预测误差最低（RMSE=2.4 mN/m），关键描述符包括氧原子数（N_O）、极性头Mulliken电荷（q_head）等。N_O与极性头尺寸正相关，证实γ_CMC随极性头增大而升高。
- 简化模型（仅基于极性头氢原子数N_H,h）虽误差略高（RMSE=2.9 mN/m），但适用于快速筛选。

1. 结构-性能关系

   • 极性头尺寸是影响γ_CMC的主导因素，烷基链长度和分支影响较弱。例如，N_O每增加1，γ_CMC升高1.014 mN/m。
     
   • 含酰胺基团的表面活性剂因极性头尺寸增大而表现出更高的γ_CMC。
     

2. 应用验证

   • 对9种表面活性剂的表面张力曲线预测显示，Abbott近似法与QSPR联用的平均绝对误差（MAE）为1.3–6.4 mN/m，验证了模型的实用性。
     

结论与价值
本研究首次建立了糖基表面活性剂γ_CMC的QSPR模型，填补了该类生物基表面活性剂性质预测的空白。其科学价值在于量化了极性头尺寸的关键作用，应用价值体现在可通过分子结构快速预测性能，减少实验成本。模型还可与CMC预测模型联用，为配方设计提供完整张力曲线。

研究亮点
1. 首次将QSPR应用于糖基表面活性剂的γ_CMC预测，模型经过严格验证。
2. 揭示了极性头尺寸的主导影响，为分子设计提供明确指导。
3. 开发了基于简单描述符的简化模型，适用于高通量虚拟筛选。

其他价值
研究数据公开了31种极性头和20种烷基链的描述符，为后续研究提供基础。此外，模型可扩展至其他生物基表面活性剂体系。