📄 化学

Machine Learning-Assisted Prediction of Szeged and Mostar Indices for Class of Dendrimers

本研究利用机器学习辅助回归模型，通过计算并整合包括 Szeged 指数和 Mostar 指数在内的基于距离的拓扑描述符，来预测三类特定树枝状大分子的物理化学及生物活性性质，从而减少对大量实验室实验的需求。

原作者： Zainab Bibi, Muhmmad Saad Ghafar, Mohsina Mehmood, Muhammad Imran, Farah Bibi, Sana Irshad

发布于 2026-09-29

📖 1 分钟阅读☕ 轻松阅读

原作者： Zainab Bibi, Muhmmad Saad Ghafar, Mohsina Mehmood, Muhammad Imran, Farah Bibi, Sana Irshad

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在化学的微观世界中，分子不仅仅是原子的随机集合；它们是具有特定形状的复杂结构，就像微小的建筑奇迹。几十年来，科学家们一直试图理解分子的形状如何决定其行为——它是如何溶解、如何反应，或者如何与生物细胞相互作用。为了实现这一目标，他们经常求助于一个被称为化学图论的数学分支。在这个领域中，分子被视为一张地图：原子是地图上的点，而连接它们的化学键则是线。通过研究这些点之间的距离，研究人员可以为分子分配一个单一的数值，从而捕捉其整体几何特征。这些被称为拓扑描述符的数字，充当了分子物理特性的简写，使科学家能够预测诸如沸点或药物在体内传输能力等性质，而无需在实验室中构建并测试每一个版本。

在一类用于这些应用的分子中，树枝状大分子（dendrimer）是非常有前景的。想象一棵以中心树干为起点，向外生长出精确、重复模式的对称层级的树。树枝状大分子是这种概念的合成版本。它们是高度分支、树状的结构，科学家可以逐层构建它们，每一层都增加特定的尺寸和复杂度。由于其形状如此精确，它们在医学领域非常有用，特别是在将药物递送到体内的特定目标或用于先进材料方面。然而，随着这些“分子树”长得越来越大，预测其确切的行为变得具有挑战性。研究人员面临的问题是，描述其形状的数学数字是否能准确预报它们在现实世界中的表现。

来自巴基斯坦和沙特阿拉伯的一个研究小组致力于回答这个问题，他们将重点放在三种不同类型的树枝状大分子上：含有磷的、围绕拜色酰亚胺（perylenediimide）核心构建的，以及由脂肪族聚酰胺构成的。他们的目标是为每种分子结构计算一组特定的数学数字。这些数字被研究人员称为 Szeged 指数和 Mostar 指数，用于衡量分子内部距离和对称性的不同方面。Szeged 指数观察原子相对于化学键的分布情况，而 Mostar 指数则衡量分子的不均匀程度或对称性。通过计算每种类型树枝状大分子前三代的这些数值，该团队为每种结构创建了一个详细的数学剖面。

研究人员随后将这些计算出的数字与以往实验收集到的现实世界数据进行了对比。他们观察了三个关键的物理性质：分子量（分子有多重）、分子吸收红外光的方式（这揭示了化学键的细节）以及玻璃化转变温度（材料从硬且脆转变为软且具橡胶性的临界点）。通过将这些数学数字与这些物理测量值进行绘图，他们利用统计工具观察是否出现了某种模式。结果显示出一种清晰且强烈的联系。对于含磷的树枝状大分子，最能预测物理性质的数学数字是边 Mostar 指数（edge Mostar index）。对于以拜色酰亚胺为核心的树枝状大分子，总 Mostar 指数（total Mostar index）提供了最强的关联。而对于脂肪族聚酰胺树枝状大分子，边 Mostar 指数和总 Mostar 指数的结合提供了最佳的预测。

研究发现，随着这些“分子树”长得越来越大，它们的数学指数也以可预测的方式增长。衡量结构整体复杂性的总 Szeged 指数随着代的推进呈现出快速的指数级增长，而 Mostar 指数的增长则较为缓慢。这使得研究人员能够建立简单的线性方程，仅凭数学描述即可估算分子的物理特性。例如，他们确定对于基于磷的“树”，边 Mostar 指数是分子量和玻璃化转变温度最可靠的预测指标。同样，对于拜色酰亚胺结构，总 Mostar 指数是理解其随生长变化的钥匙。

这些发现表明，科学家可以依靠这些数学描述符来预报新树枝状大分子的行为，甚至在它们被合成之前。含磷的树枝状大分子在这些指数上显示出最高值，似乎具有能够承载大量药物分子的极高分支结构，尽管其不对称性可能使其溶解度较低。相比之下，脂肪族聚酰胺树枝状大分子结构最简单，指数最低，这表明它们更对称且可能具有更好的生物相容性，使其成为可预测药物递送的理想选择。以拜色酰亚胺为核心的树枝状大分子则处于中间位置，提供了一种平衡的结构，既能高效装载药物又能保持稳定性。

通过证明这些拓扑数字与物理现实具有如此强的相关性，这项研究为药物设计和材料科学提供了一个强大的工具。研究人员不再需要花费时间和资源在实验室中构建和测试无数种分子变体，现在他们可以使用这些数学模型来筛选候选对象，并高精度地预测其性质。这种方法并不取代对实验验证的需求，但它显著缩小了筛选范围，使科学家能够将精力集中在最有希望的分子设计上。这项工作证明了数学语言可以有效地描述分子的物理世界，将复杂的结构问题转化为可解的方程，并为更高效地开发救命药物和先进材料铺平了道路。

技术摘要：基于机器学习辅助预测各类树枝状大分子（Dendrimers）的 Szeged 指数与 Mostar 指数

问题陈述
树枝状大分子是高度分支、对称的巨型分子，在药物设计、材料科学和纳米技术领域具有重要应用。然而，表征其物理化学和生物特性的传统方法依赖于大量且高成本的实验室实验。目前需要一种能够基于分子结构预测这些性质的计算方法，以简化设计过程。本研究旨在解决建立一个数学框架，通过拓扑描述符将特定类别的树枝状大分子的结构拓扑与物理及生物行为联系起来的挑战。

研究方法
本研究采用化学图论对三类不同的树枝状大分子进行建模：

含磷树枝状大分子 ( $D_1(n)$ )
苝二酰亚胺（PDI）核树枝状大分子 ( $D_2(n)$ )
脂肪族聚酰胺树枝状大分子 ( $D_3(n)$ )

针对每类分子，作者推导了在第 $n$ 代（ $n=1$ 至 $n=7$ ）中六种基于距离的拓扑指数的闭式数学表达式。这些指数包括：

Szeged 系列： 顶点 Szeged 指数 ( $Sz$ )、边 Szeged 指数 ($Sze$) 和全量 Szeged 指数 ($Szt$)。
Mostar 系列： 顶点 Mostar 指数 ( $Mo$ )、边 Mostar 指数 ($Moe$) 和全量 Mostar 指数 ($Mot$)。

研究方法涉及根据对称性和距离属性将分子图划分为边集，从而计算比另一端更接近某一端点的顶点和边的具体计数。在推导这些指数之后，本研究利用 QSAR/QSPR（定量结构-活性/性质关系） 模型进行建模。通过线性回归分析，将计算出的拓扑指数与三个关键物理化学性质进行关联：分子量、红外（IR）吸收带（ $-\text{CO}$ ）以及玻璃化转变温度 ( $T_g$ )。利用相关系数 ( $R^2$ ) 对这些关系的强度进行了评估。

核心贡献

解析推导： 本文为三种指定的树枝状大分子家族提供了所有六种拓扑指数关于代数 $n$ 的显式闭式公式。这些公式允许直接计算描述符，而无需为每一代重新构建分子图。
对比分析： 研究系统地比较了这些指数随代数增长的情况，指出全量 Szeged 指数呈现指数级增长，而 Mostar 指数的增长模式则取决于树枝状大分子的类型。
预测建模： 作者开发了将特定拓扑指数与物理化学性质联系起来的线性回归模型。研究确定了在每种树枝状大分子类别中，哪种特定的指数可以作为每种性质最有效的预测因子。

结果

含磷树枝状大分子： **边 Mostar 指数 ($Moe $)** 在三种研究的性质（分子量、红外吸收和$ T_g $）中表现出最高的关联性。用于分子量的回归模型得到的$ R^2$ 为 0.975。
PDI 核树枝状大分子： **全量 Mostar 指数 ($Mot $)** 被证明是最强的预测因子，特别是在分子量方面（$ R^2 = 0.9809 $）。研究观察到$ Mot$ 与红外吸收之间存在显著的反向关系。
脂肪族聚酰胺树枝状大分子： 结果表现不一；边 Mostar 指数 是分子量的最佳预测因子（ $R^2 = 0.9682$ ），而 全量 Mostar 指数 与玻璃化转变温度显示出最强的相关性（ $R^2 = 0.9575$ ）。
增长趋势： 数值数据和图形表示（表 23–25，图 8）说明，全量 Szeged 指数通常在第 7 代时达到最高值，表明其结构复杂性显著增加，而 Mostar 指数保持在相对较低的水平。

意义与主张
本文声称，将这些拓扑描述符整合到 QSAR/QSPR 建模中，为评估分子量、红外吸收带和玻璃化转变温度等化学性质提供了一个稳健的数学框架。通过建立结构不变性与物理化学性质之间的强相关性，本研究表明，研究人员可以高精度地预测树枝状大分子的行为，从而减少对耗时且昂贵的实验室实验的依赖。

作者从结构角度对指数值进行了阐释：

含磷树枝状大分子的高 Szeged 指数表明其具有高度分支的结构，能够承载大量的药物载荷；尽管高 Mostar 指数表明存在不对称性，这可能会影响溶解度和扩散性。
PDI 核树枝状大分子表现出平衡的指数，表明其结构适合于受控药物释放并具有良好的稳定性。
脂肪族聚酰胺树枝状大分子表现出最低的指数，意味着其具有高对称性和生物相容性，这有利于可预测的药物扩散。

最终，这项工作将数学化学定位为增强药物递送和材料科学中分子设计效率的重要工具。

类似论文