文章中心
了解、体验、感悟、分享——汇聚平台使用教程与科研动态。
机器学习辅助设计高效氟-19超极化分子探针
原文：Machine learning-assisted molecular design for efficient 19F hyperpolarization.
期刊：Chemical science（影响因子 7.4） | PubMed | PMC 全文（含 PDF）
研究背景：让“看不见”的氟信号变强
在核磁共振（NMR）与磁共振成像（MRI）研究中，氟-19（19F）是一种极具吸引力的“报告原子核”。它天然丰度接近100%、旋磁比与氢-1相近，而且在生物体内几乎没有内源性背景，因此能实现“无背景”的高特异性检测；同时其化学位移范围超过400 ppm，对局部化学环境高度敏感，已被广泛用作分子探针和造影剂。
然而，19F NMR 的固有灵敏度很低，限制了其在快速、高灵敏检测中的应用。超极化技术可以放大核自旋能级间的布居差，从而提升信号。其中，基于可逆交换的信号放大方法（SABRE）因条件温和、极化效率高、可重复循环而备受关注。但相比氢-1、碳-13、氮-15，19F 的 SABRE 极化水平仍偏低，一个重要原因是已探索的氟代底物范围有限，且增强效果受取代基电子效应、位阻等多重结构因素交织影响，传统“试错式”筛选成本高、周期长。
核心发现：从18万分子中“算”出7133倍增强
发表于《Chemical Science》的这项研究，构建了一套“化学空间+机器学习”的工作流（图1a），用于高效发现高性能 19F SABRE 底物。团队先从公共数据库 PubChem 中整理出超过18万个氟代氮杂环化合物，聚焦氟代吡啶类衍生物；通过主成分分析（PCA）降维（图2），在化学空间中均匀挑选出33个代表性底物进行实验 SABRE 筛选（图3a）。
随机森林分类模型发现，描述符 N_Sum_of_connectivity 是区分“高增强”与“低增强”底物的关键。进一步对高增强区间底物，采用前向逐步多元线性回归并结合留一交叉验证，建立了一个仅含五个描述符、可解释的定量预测模型。用六个未见报道的氟代吡啶底物做外部验证，预测值与实验值吻合良好。其中，3-氨基-4-氟吡啶的实验增强达到 7133倍，接近模型预测的6637倍，在1.4 T、无助配体条件下对应约 3.2% 的极化度。此外，筛选出的底物还实现了单次扫描下15种氟代吡啶的同时超极化。
方法亮点：可解释模型减少实验消耗
该流程的创新在于不是“黑箱预测”，而是先分类、再回归：先用随机森林锁定关键结构描述符，再用小样本线性回归给出可解释的构效关系（图3b）。实验上，底物与铱催化剂在氘代甲醇中于地球磁场下与仲氢（96%纯度）振荡混合，随后在1.4 T台式NMR上采集超极化 19F 谱（图1b）。这种“虚拟化学空间优先、少量实验验证”的策略，大幅降低了材料消耗与筛选时间。
应用意义：为生物医学探针设计提供新范式
对生物医学科研而言，该工作意味着未来可针对特定 19F 分子探针，先在大规模虚拟库中预测其 SABRE 增强潜力，再定向合成与测试，加速高灵敏氟探针的开发。同时，多底物同时超极化能力也为复杂体系中多重氟标记代谢物或药物的并行检测提供了可能。这一可解释的数据驱动框架，为 19F 超极化底物的理性设计提供了通用工具。
关键图表
本文图片转载自 PMC 开放获取全文，仅供学习参考，请以原文为准。
