机器学习预测二元表面活性剂混合物的临界胶束浓度：Choudhary等人在《Journal of Cheminformatics》的研究报告

作者与发表信息

本研究由Aditya Choudhary（桑迪亚国家实验室）、Saaketh Desai、Methun Kamruzzaman、Alexander Lander、Koushik Ghosh和Kunal Poorey合作完成，发表于Journal of Cheminformatics（2025年，卷17，页170）。研究得到美国能源部（DOE）资助，数据与代码已开源。

学术背景

表面活性剂（surfactants）在药物递送、化妆品、消防泡沫和润滑剂等领域至关重要，其性能取决于临界胶束浓度（critical micelle concentration, CMC）——胶束形成的阈值浓度。然而，二元表面活性剂混合物的CMC预测因化学多样性和非线性相互作用而极具挑战性。传统实验方法（如张力测定法、荧光光谱法）耗时且成本高，而现有机器学习（ML）模型仅针对单一表面活性剂，无法处理混合物。本研究首次提出基于人工神经网络（ANN）的框架，预测二元混合物的完整CMC-组成曲线，填补了胶体与界面科学的空白。

研究流程与方法

1. 数据收集与特征工程

• 数据集构建：

  • 单一表面活性剂数据：扩展Qin等人的数据集，涵盖440种表面活性剂，包含SMILES字符串和实验测定的CMC值（log μM）。
    
  • 二元混合物数据：从34篇文献中收集979组数据，包含两种表面活性剂的SMILES、摩尔分数（x_A, *x_B*）及CMC。
    
  • 数据拆分策略：
    
  • 插值任务：训练集包含部分摩尔分数数据，测试集评估未测组成的预测能力。
    
  • 外推任务：完全未见的表面活性剂组合用于测试模型泛化性。
    

• 分子描述符生成：
  使用RDKit、Mordred（1800+描述符）和PaDEL（1875+描述符）计算分子特征，涵盖拓扑、电子和几何属性。例如：

  • 疏水表面积（hydrophobic surface area）
    
  • 电子拓扑描述符（electronic topological descriptors）
    
  • 头基碱性（headgroup basicity）
    

• 特征聚合策略：

  • 算术平均（Arithmetic Mean）：按摩尔分数加权线性组合（*x_Af_A + x_Bf_B*）。
    
  • 调和平均（Harmonic Mean）：模拟理想混合定律（适用于相似头基体系）。
    
  • 拼接法（Concatenation）：直接拼接两组特征，但易导致过拟合。
    

2. 机器学习模型开发

• 模型选择与优化：
  对比随机森林（RF）、XGBoost和ANN，通过网格搜索和五折交叉验证优化超参数。
  
  • ANN架构：全连接网络，输入层（聚合后的描述符）、隐藏层（ReLU激活）、输出层（预测log CMC）。
    
  • 特征选择：使用BorutaPy算法（基于XGBoost）剔除冗余特征，保留如peoe_vsa6（极性表面积）、slogP（疏水性）等关键描述符。
    

3. 性能评估与可解释性分析

• 评估指标：均方误差（MSE）、决定系数（R²）、平均绝对百分比误差（MAPE）。
  
• SHAP分析：揭示模型决策机制，例如：
  
  • 负贡献：高疏水性（slogP）和芳香簇（nAromBond）降低CMC，符合胶束稳定原理。
    
  • 正贡献：头基电荷（nBase）增加CMC，因静电排斥抑制胶束形成。
    

主要结果

1. 单一表面活性剂预测：
   ANN模型（RDKit描述符）表现最佳（测试集R²=0.907，MSE=0.137），优于文献报道的图神经网络（GNN）。例如：

   • 癸基三甲基铵（C13H30N⁺）：预测log CMC=4.83（实验值4.72）。
     
   • 异常值分析：双子表面活性剂（如C33H56N2O3²⁺）因复杂结构预测偏差较大。
     

2. 二元混合物预测：

   • 插值任务：算术平均+ANN组合最优（MSE=0.099，R²=0.941），准确捕捉如阴离子-阳离子混合物的U型CMC曲线（图2e）。
     
   • 外推任务：Mordred描述符+ANN泛化性最佳（MSE=0.236），成功预测未训练体系的完整CMC曲线，如：
     
     • 氟碳/烃链混合（C14H27N2⁺ + C7F15CO2⁻）：模型重现协同效应导致的凹型曲线（图4b）。
       

结论与价值

本研究首次实现了二元表面活性剂混合物CMC的高精度预测与解释，其科学与应用价值包括：
1. 科学价值：揭示了疏水性、电荷分布和拓扑结构对CMC的定量影响，验证了非理想混合行为的机器学习建模可行性。
2. 工业应用：减少实验筛选负担，加速医药（如药物载体优化）、环境修复（如PFAS替代品设计）等领域的配方开发。
3. 方法论创新：算术平均策略平衡了特征表达与物理意义，为多组分体系性质预测提供了通用框架。

研究亮点

• 首创性：首个针对二元表面活性剂混合物的ML模型，支持插值与外推预测。
  
• 可解释性：通过SHAP分析关联描述符与胶束化学原理，增强模型可信度。
  
• 开源数据：完整数据集与代码公开，促进领域内协作验证（GitHub链接见原文）。
  

其他价值

研究还探讨了温度、pH等未包含变量的扩展潜力，为后续工作指明方向。例如，引入离子强度描述符可能进一步提升复杂电解质体系的预测精度。