近日，资料基因院孙强教授课题组颁发最新论文，展示了使用机械进建技术预测有机分子在金属表表的自组装结构，钻研成就颁发于《ACS Nano》（最新影响因子：17.1），论文标题为“Predicting molecular self-assembly on metal surfaces using graph neural networks based on experimental datasets”
。

分子在表表的自组装是构建拥有特殊机能的超分子纳米结构的一种常用步骤，由于其宽泛的沉要性，分子自组装在从前几十年中受到了宽泛的关注
。迄今为止，将尝试与量子力学或分子动力学步骤相结合是索求分子自组装结构的重要步骤，然而这通常必要破费大量的功夫和精力
。通常来说，自组装模式由分子和环境的固有性质决定
。由于分子官能团的复杂性及其与表表的相互作用，预测分子在金属表表的自组装结构依然是一个巨大的挑战
。

(a)分子在金属表表形成自组装结构的示意图
。(b)分子图的构建
。(c)图神经网络模型的架构
。

在本工作中，作者使用扫描隧路显微镜（STM）表征了一系列多环芳烃（PAH）分子在分歧金属表表上的自组装结构，以构建用于模型训练的尝试数据集，之后将经过批改的图神经网络模型MEGNet用作机械进建（ML）框架来训练模型
。与传统的ML模型相比，图神经网络直接闯辗视的结构表征中获得特点，从而保障了表征分子所需的所有有关信息
。作者的钻研了局批注，在预测与分子自组装有关的指标性质方面，该图神经网络算法比传统的ML算法拥有更好的机能
。此表，将训练好的ML模型利用到一种新的PAH分子中所获得的预测了局与尝试表征了局吻合得很好，这凸起了ML模型的通用性
。

这项钻研是MGI表表科学课题组基于资料基因理想在表表科学领域进行的创新钻研，有助于加快纳米结构和拥有所需性质的新型纳米资料的前体分子的筛选和设计
。

本论文工作由亿万先生MR资料基因组工程钻研院独立实现，孙强教授为通讯作者，第一作者为MGI硕士生郑凤茹
。MGI表表科学课题组近年来聚焦于利用数据挖掘、机械进建和人为智能步骤，结合高通量尝试伎俩索求人为智能在表表科学中的利用
。致力于造就具备“沉基础、跨学科、国际化”理想的资料基因特色人才
。

课题组网站：https://www.qiangsungroup.cn/

论文链接：https://pubs.acs.org/doi/epdf/10.1021/acsnano.3c06405