JPCA | 计算辅助的机器学习在Samoquasine A及其未知同系物结构解析中的应用

通讯作者：徐昕，复旦大学；吴安安，厦门大学；叶剑良，厦门大学

作者：Qiwen Chen (陈齐文), Jin Feng (冯瑾)

随着密度泛函理论的发展，计算辅助的结构解析已广泛应用于有机化合物和天然产物的结构确认。近期，复旦大学徐昕教授团队将密度泛函与机器学习相结合，提出了一种基于¹³C化学位移的高效精准的有机化合物结构解析的支持向量机方法(SVM-M)。该方法不仅能判断单个给定结构正确与否，同时还能在多个相似候选结构中判断哪个结构更为正确。

Samoquasine A是从番石榴种子中分离得到的一种天然产物，分子式为C₁₂H₈N₂O，其结构在经历近二十年的争议,提出了多种可能的同系物，最终由全合成确定为苯并萘啶酮（perloline）。而在其众多同系物中，另一从番石榴新茎中分离的天然产物X的结构仍存在疑问。

图1. SVM-M在天然产物结构指认中的应用

近日，复旦大学徐昕与厦门大学吴安安、叶剑良等在JPCA上发表了计算辅助的机器学习在Samoquasine A及其未知同系物结构解析中的应用。利用SVM-M方法从48个异构体中成功地指认出Samoquasine A及已知的3个同系物，进一步验证了SVM-M在有机化合物结构指认中的有效性和鲁棒性。针对从番石榴新鲜茎中分离的未知天然产物X，结合红外、核磁共振等谱学数据，构造了额外的67个潜在结构，并从115个候选结构中确定了该未知天然产物X为一新型的环酮肟喹啉天然产物74。

图2. SVM-M在未知化合物X结构指认中的应用。

本文中使用的SVM-M方法，通过将机器学习与高精度的¹³C 核磁共振化学位移计算相结合，对Samoquasine A及其同系物进行了结构解析。SVM-M方法从48个异构体中成功地指认出Samoquasine A及已知的3个同系物，并成功地确定了从番石榴新鲜茎中分离的未知化合物X为一新型的环酮肟喹啉类天然产物。本文通过SVM-M方法在天然产物结构解析的实际应用，进一步验证了SVM-M在有机化合物结构指认中的有效性和鲁棒性。该方法有望成为有机化合物结构解析的有力辅助工具。

复旦大学徐昕课题组（课题组网页：www.xdft.org）的主要研究方向为理论方法开发（如密度泛函理论的新泛函、氧化物SPC嵌入簇模型方法、XO组合方法、X1系列热力学校正方法，动力学蒙特卡洛方法XPK等），及其在多相催化、均相催化、（催）组装体系等方面的应用，取得了一系列国内外同行公认的科研成果，部分科研成果获2019年教育部高等学校科学研究优秀成果奖——自然科学一等奖（题目：密度泛函理论新进展）。徐昕教授现为JACS Au副主编。与厦门大学吴安安课题组长期合作，开发了OPBE、xOPBE、FPA-M等系列方法，用于¹³C化学位移的高精度计算。