Automated Computational Screening of Temperature-Dependent Cannabinoid Solubility in Industrially Relevant Processing Solvents and Lipid Carrier Oils

想象一下，你正试图将一块顽固的糖果溶解在一杯水中。你知道这样做效果不会很好，于是你尝试把水换成别的，比如温热的苏打水或一滴油。在化学世界里，这就是研究大麻素（cannabinoids）——即从大麻植物中发现的活性化合物——时面临的日常挣扎。这些分子就像讨厌水的油滴一样；它们是“亲脂性”的，这意味着它们热爱脂肪但排斥水。这使得从植物中提取、纯化或将其转化为人体可以实际吸收的药物变得异常困难。科学家们称之为“溶解度问题”。为了解决这个问题，研究人员通常不得不混合并尝试不同的液体（溶剂）并对其加热，如果必须在实验室里手动测试每一种组合，这个过程会耗费极长的时间并花费巨额的资金。

这正是某种新型“数字侦探工作”大显身手的地方。科学家不再需要在烧杯中混合化学物质，而是可以使用强大的计算机程序来模拟这些分子的行为。把它想象成一个视频游戏的物理引擎：你告诉计算机，“这是一个大麻素分子，这是一瓶油或酒精。如果我们加热它会发生什么？”计算机根据热力学定律进行数据运算，以预测该分子是否会溶解、溶解多少以及温度变化如何改变局面。这篇论文的主题就是在大规模范围内运行这种模拟，以观察哪些液体是不同类型大麻素的最佳“溶解伙伴”。

---

数字溶解度搜寻

在这项研究中，来自 Standard Seed Corporation 的一个研究团队及其合作者决定跳过繁琐的实验室工作，直接转向计算机。他们想确切知道 19 种不同的 cannabinoids 在 18 种不同的液体（从常见的工业溶剂到你厨房里可能见到的油脂）中的溶解程度。他们不仅观察了室温，还模拟了三个特定温度下的过程：0°C (273.15 K)、25°C (298.15 K) 和 50°C (323.15 K)。

为此，他们使用了一个名为 SolProp 的高级工具，该工具由麻省理工学院（MIT）开发。你可以把 SolProp 想象成一位超级聪明的厨师，他尝遍了历史上所有可能的食材组合。你给出“食谱”（大麻素和溶剂的化学结构），它就能预测“味道”（溶解度），而无需你亲自动手烹饪任何东西。该团队运行了 1,026 次 这种模拟，生成了一个庞大的预测数据集。

计算机发现了什么

结果非常清晰，几乎就像一张显示最佳路线的公路旅行地图。

1. 热量的因素
最一致的发现是：热量是关键。在计算机模拟的每一个场景中，提高温度都使大麻素更容易溶解。无论是滴入酒精还是一勺油，当环境变暖时，分子就更愿意混合。这表明溶解这些化合物的过程是“吸收”热量的（吸热过程），这与我们已知的物理学知识相符。例如，模拟预测 CBD 在 MCT 油中的溶解度会从冰点温度时的 -0.05，跃升至室温时的 +1.18，并在 50°C 时达到 +2.23。

2. 溶剂大对决
并非所有液体都是平等的。计算机识别出了一个清晰的等级制度：

• 获胜者： 极性溶剂如 DMSO、丙酮 和醇类（乙醇、异丙醇、甲醇）是冠军。它们能最有效地分解大麻素。特别是 DMSO，显示出了最高的预测溶解度值，在 50°C 时某些化合物甚至达到了 +4.27。
• 落后者： 非极性烃类如 己烷、庚烷 和 丁烷 的效果要差得多。在许多情况下，计算机预测的溶解度为负值，意味着大麻素几乎不愿溶解在其中。
• 厨房油脂： 关于载体油的结果褒贬不一。MCT 油、椰子油 和 黄油 显示出中等或良好的溶解度，这符合大麻产业在现实生活中的实际应用。然而，模拟在 橄榄油 和 芝麻油 处遇到了障碍。计算机给出了极其离谱、不切实际的数字（例如 CBD 在橄璃油中的溶解度为 +28.74，或在芝麻油中为 -151.21）。作者承认这是模型的一个缺陷，很可能是因为这些复杂的油脂对于目前的软件来说过于复杂，难以准确处理。

3. 酸性 vs 中性
研究还观察了分子的形状。他们发现“酸性”大麻素（带有羧酸基团的分子，如 THCA）比它们的“中性”亲戚（如普通的 THC 或 CBD）溶解得稍微好一些。计算机认为这是因为酸性基团起到了类似磁铁的作用，帮助分子更牢固地粘附在极性溶剂上。

4. 双生之谜
一个特别有趣的发现涉及 HHC（六氢大麻酚），一种半合成化合物。HHC 有不同的版本，即“立体异构体”（9(R)-HHC、9(S)-HHC 和 iso-HHC）。你可能会认为它们微小的 3D 形状差异会改变溶解方式，但模拟显示它们几乎是完全相同的。在 0°C 的丙酮中，它们的预测溶解度值分别为 +1.62、+1.62 和 +1.54。计算机表明，对于溶解度而言，分子形状的细微扭转并不像其附着的化学基团那样重要。

为什么这很重要（以及它局限在哪里）

本文并未声称已经永久解决了溶解度问题。作者谨慎地指出，这些是模拟，而非物理实验。他们并没有在实验室里混合化学物质来证明这些数字是 100% 真实的。然而，结果与科学家在以往使用 DMSO 和醇类等常见溶剂进行的实验中观察到的情况非常吻合。

这项研究表明，这种“自动化筛选”是未来的强大工具。与其在实验室中花费数月时间测试每一种可能的液体，公司可以利用这些计算机模型先筛选出最佳候选者。它能帮助人们确定哪些溶剂最适合提取大麻素，哪些溶剂适合制造药物，以及温度如何影响整个过程。

虽然该模型目前还不完美——尤其是在处理像橄榄油这样复杂的厨房油脂时——但它提供了一个此前并不存在的、随温度变化的庞大数据集。这是一份数字路线图，帮助研究人员在踏入实验室之前，就能在复杂的大麻素化学世界中找到航向，从而节省时间和资源。