分子在不同介质中溶解性质的理论研究

High-Throughput Screening of material and drug molecules usually laid emphasis on electronic structure properties of various molecules. However, the designed molecules with some specific functions sometimes suffered from the low solubility in some solvents, which prohibited the potential usage of the new molecules in practice. Few attentions have been given in the theoretical computations of solubility of molecule in various media. It is hence an important issue to predict the solubility of newly designed molecule in water, ionic liquids, organic solvents and membrane before the synthesis of this molecule. This research aims to combine the thermodynamic and kinetic pictures of solvation, to predict the logP, free energy, and entropy of both conformational rigid and flexible molecules in condensed phase by using molecular dynamics simulations and by taking into consideration of electrostatics polarization of different protonated species in solutions and using ab initio electronic structure calculations to obtain the electrostatics parameters. On the basis of computational results and experimental data, we expect to derive a model for predicting solubility of various molecules and to understand the relationship between the structure and function, providing a useful tool for the high-throughput screening of material and drug molecules.

目前材料与药物的高通量计算筛选大多集中在分子的电子结构计算，但是，一些理论设计的具有特定功能的新分子有可能难以溶解于一些溶剂中，显著影响其实际应用前景。有机分子在不同介质中的溶解性质计算还未得到人们的重视。因此，在实验制备之前，计算研究有机分子在水溶液、离子液体、有机溶剂、分子膜等介质中的溶解性质是一个重要的课题。本项目拟融合热力学和动力学因素，考虑溶解过程中的静电极化作用,基于分子和分子聚集体的电子结构计算，运用分子动力学模拟方法计算分子构型刚性和柔性的有机物的log P，自由能和熵的变化，认识和揭示分子在不同介质中的分子间作用的微观机制；基于计算和实验数据，建立预测分子的溶解性质的模型，以期利用理论计算方法和模型快速预测分子的溶解性质，应用于新型功能材料或药物分子的高通量计算筛选。

在实验制备之前，快速预测有机分子在水溶液、离子液体、有机溶剂、分子膜等介质中的溶解性质是一个重要的课题。本项目中，我们分别提出了可变力场框架（VaFF）模型、包含静电极化和熵效应的分子描述符、深度学习模型及溶解度相关的极性描述符。在可变分子力场框架中，通过引入可变参数，我们对有机小 分子的粘度系数的预测上取得满意的结果，同时没有牺牲其他物理性质的预测能力。随后，通过引入参数，我们进一步地将该框架推广到了极化效应更为显著的离子液体中去，在动力学和热力学性质的预测中取得了良好的结果。我们将熵效应和极化效应显式地引入传统的原子中心的对称函数（ACSFs）中，结合高维神经网络模型，可高效且精确地预测脂水分配系数（log）。和传统方法相比，该方法不需要预处理且没有引入任何先验的化学知识。同时，得益于高维神经网络和原子对称函数（ACSFs），该模型可以给出每个原子对溶解性质的贡献。通过统计分析，我们发现碳原子对脂水分配系数都是起到一个促进的作用，但是杂原子，例如氮和氧， 往往是降低脂水分配系数。针对含氟分子，我们利用自己发展的深度学习算法及极性描述符，构建了高效预测有机氟分子亲脂性的模型（PoLogP）及其数据集，对含氟和不含氟的分子均取得良好的预测效果。本项目开发的新的计算模型和描述符有望成为药物和材料筛选中强有力的工具。