机器学习驱动的离子液体设计与筛选：突破纤维素溶解瓶颈的新策略

为解决纤维素溶解难题，研究人员整合蒙特卡洛树搜索(MCTS)与循环神经网络(RNN)技术，构建了包含9000亿种潜在离子液体(ILs)的虚拟分子库，开发了预测纤维素溶解度和熔点的机器学习模型，并通过COSMO-RS验证筛选出535种高性能ILs。该研究为绿色溶剂开发提供了高效计算框架。

　　

纤维素作为地球上最丰富的生物聚合物，其优异的生物可降解性和可再生性使其成为可持续材料开发的明星分子。然而，这个"绿色巨人"却有个致命弱点——顽固的溶解性。纤维素分子间密集的氢键网络使其在常规溶剂中几乎"油盐不进"，这一特性严重制约了其在生物材料、纺织纤维等领域的应用潜力。传统溶解方法往往需要强腐蚀性试剂或高温高压条件，不仅效率低下，还会引发严峻的环境问题。

2002年，科学家偶然发现离子液体(ILs)这种神奇的熔融盐能够破解纤维素的溶解难题。这类由有机阳离子和无机/有机阴离子组成的物质，在室温下呈液态，具有近乎零挥发性和高热稳定性等独特性质。然而，面对超过10¹⁸种可能的ILs组合，传统的"试错法"开发模式如同大海捞针——文献记载的330种实验测试ILs中，仅有约20种能达到20wt%以上的溶解效率。更棘手的是，现有ILs设计方法要么局限于已知分子片段拼接，要么可能产生化学无效结构，严重制约了新溶剂体系的开发效率。

针对这些挑战，Kanazawa大学联合CrowdChem等机构的研究团队在《Journal of Cheminformatics》发表突破性研究。研究人员创造性地将蒙特卡洛树搜索(MCTS)的决策优化能力与循环神经网络(RNN)的序列生成优势相结合，开发出全新的有机离子生成器。这套系统如同一位不知疲倦的"分子建筑师"，通过强化学习不断优化生成策略，最终构建出包含961,859种新型阳离子和957,070种新型阴离子的超级分子库，相当于9000亿种潜在ILs组合。为确保筛选精度，团队建立了目前最全面的纤维素溶解数据库（674个数据点），并开发出预测精度达R²=0.874的人工神经网络(ANN)模型。通过SHAP分析发现，加热温度、阳离子复杂度(BertzCT)等关键参数与实验观测高度吻合。在熔点预测方面，随机森林(RF)模型以R²=0.863的准确率锁定低熔点候选物。

研究采用多级筛选策略：首先通过适用域(AD)分析排除不可靠预测，将候选范围缩小至641,999种；随后用机器学习模型筛选出745种溶解度高(>15wt%)且熔点低(<80°C)的ILs；最终通过量子化学模型COSMO-RS验证，确认535种ILs保持优异性能。值得注意的是，排名首位的IL在80°C下预测溶解度达28.872wt%，COSMO-RS验证值为25.359wt%，显著优于传统溶剂。结构分析显示，高性能ILs多采用咪唑鎓阳离子与羧酸根阴离子的组合，这与氢键破坏机制的理论预期一致。

这项研究构建了从分子生成到性能预测的完整计算框架，将ILs开发周期从数年缩短至数天。特别值得关注的是，研究揭示的"结构-性能"关系为理性设计提供了新视角：如阴离子最大绝对偏电荷与熔点正相关，而阳亲水性(BCUT2D_LOGPLOW)则呈现负相关。尽管当前筛选结果在结构多样性上存在局限（主要受训练集覆盖范围制约），但作者指出，该工作流可轻松拓展至锂电池电解质、CO₂捕获等其他ILs应用领域。随着生物数据库的持续扩充和算法迭代，这种"生成-筛选"范式有望成为新材料开发的通用引擎，加速实现从分子设计到工业应用的跨越。