摘要：2025年4月发表于Nature Communications的论文 “A modular artificial intelligence framework to facilitate fluorophore design” ，构建了人工智能框架 FLAME
2025年4月发表于Nature Communications的论文 “A modular artificial intelligence framework to facilitate fluorophore design” ，构建了人工智能框架 FLAME，加速荧光团设计。研究团队整合开源数据库、预测模型和分子生成器，构建了包含 55,169 个荧光团 - 溶剂对的 FluoDB 数据库，并设计了 FLSF 模型预测光学性质，经过实验验证，该框架可有效加速新型荧光团的设计。提高了荧光团设计效率，为相关领域研究提供了有力工具。
荧光团因其尺寸小、化学可操作性强和成本低等特点，在生物成像等领域应用广泛，但目前其发展面临数据稀疏、结构-性质关系（SPR）复杂等难题。现在，基于机器学习的数据驱动科学为荧光团设计带来新契机，作者研究团队旨在开发更高效的工具来合理设计新型荧光团。
构建 FluoDB 数据库：通过 PubMed 检索文献，整合多个开源数据库数据。经过收集关键数据、处理无效与冗余的数据，标准化荧光团表示，简化溶剂类型，最终构建了FluoDB数据库。它包含 55,169 个荧光团 - 溶剂对，涵盖 16 种核心荧光骨架及 728 个子群，在数据量和分子多样性上优于现有数据库。
图1：用户友好型的框架FLAME概览，该框架整合了最新数据库资源（包括本研究构建的FluoDB数据库及其它预测模型）
设计 FLSF(FLuorescence prediction with fluoroScaFfold-driven model) 模型：融合基于领域知识的荧光骨架指纹（fluoroscaffold）和消息传递神经网络（MPNN）构建 FLSF 模型，用于预测荧光团光学性质，并与其他模型对比评估。在 FluoDB - Lite 数据集上对多种开源预测模型进行测试，结果显示 FLSF 在预测最大吸收波长和最大发射波长方面准确性高，且训练速度比 ABT - MPNN 快 10 倍；在预测具有溶剂变色现象的荧光团的相关参数时，FLSF 也表现出色；与传统的时间相关密度泛函理论（TD - DFT）相比，FLSF 预测误差更小、速度更快。
图2：构建新数据库FluoDB的数据采集与处理通用流程，随后对FluoDB进行系统分析与统计，以可视化不同溶剂中各类荧光团的荧光特性。
作者还从分子、原子层面分别进行了可解释性分析。从分子层面，通过 2D - PCA( (two-dimensional principal component analysis) ) 分析不同状态下 FLSF 的嵌入向量，发现其能有效识别不同波长荧光团的结构特征，且荧光支架信息和溶剂信息的加入提升了模型性能；从原子层面，以香豆素为例，验证了 FLSF 能掌握结构修饰对荧光性质的影响规律，具有良好的泛化能力。
搭建 FLAME (FLuorophore design Acceleration ModulE)框架：将 FluoDB、六种预测模型和分子生成器 Reinvent 4 整合为 FLAME 框架。研究人员可以在该框架内搜索数据库、训练模型、进行光物理性质预测和生成新化合物。
FluoDB 数据分析：发现荧光团光物理参数间存在相关性，如λabs与λem、分子重量（MW）与λabs等呈正相关，溶剂对光学性质影响显著。不同荧光骨架的λabs和λem分布有差异，为筛选荧光骨架提供参考。
FLSF 模型性能：FLSF 在预测λabs（最大吸收波长）和λem（最大发射波长）上表现出色（R^2=0.94 ），对非经典骨架也有良好预测能力，且速度比 ABT-MPNN(atom-bond transformer-based message- passing neural network) 快 10 倍。分子和原子层面的可解释性分析验证了 FLSF 的可靠性和泛化能力。
FLAME 框架应用：以香豆素衍生物设计为例，利用 FLAME 框架设定目标参数，筛选出 3,4 - 恶唑并香豆素。实验结果与 FLSF 预测相符，并成功创制出一种具有明亮荧光且未见报道的新化合物。
FLAME 框架有效加速了新型荧光团设计，FluoDB 数据库提供了丰富数据支持，FLSF 模型预测准确且快速，通过实验成功合成新型荧光团，证明了框架的实用性。未来这一框架可以通过更新数据和算法持续优化，进一步集成合成可及性预测模型和逆合成分析工具，提升荧光团设计和合成的整体效率，推动荧光团及相关领域发展。
参考资料：Zhu, Y., Fang, J., Ahmed, S.A.H. et al. A modular artificial intelligence framework to facilitate fluorophore design. Nat Commun 16, 3598 (2025). https://doi.org/10.1038/s41467-025-58881-5
来源：爱就旅行
