MOF-ChemUnity: Literature-Informed Large Language Models for Metal−Organic Framework Research

---

文章摘要

本文介绍了MOF-ChemUnity，一个结构化、可扩展的知识图谱系统，通过将科学文献中的实验数据与晶体结构及计算数据集关联，统一了金属有机框架材料（MOFs）的知识体系，并展示了如何利用大语言模型构建文献驱动的AI助手，实现跨文档知识提取、多属性机器学习和专家级材料推荐。

---

引言：人工智能正在重塑MOF研究范式

人工智能（AI）正在深刻改变金属有机框架材料（MOFs）的研究方式。当前，基于结构化计算数据训练的模型已经能够常规性地预测新材料并优化其性能。但这引发了一个核心问题：如果我们能够利用MOF领域的全部知识——不仅仅是结构化数据集，还包括科学文献中的海量信息，会怎样？

对于研究人员而言，科学文献始终是知识的主要来源。然而，文献中包含的大量内容，包括实验数据和专家洞见，仍然未被AI系统充分利用。这种状况亟待改变。

MOF材料：机遇与挑战并存

金属有机框架材料是一类多功能的晶体材料，具有高比表面积、化学可调性和结构多样性等特点，在气体分离与储存、催化和传感等领域展现出巨大应用潜力。 自从发现具有永久孔隙率的MOFs以来，该领域的研究活动迅速扩展，目前已合成超过12.5万种不同的框架结构，并通过计算预测了数百万种潜在结构。

为了在这个庞大而复杂的设计空间中导航，机器学习已成为一种强大的工具，它利用大型化学数据集中的模式来指导材料发现。基于计算化学结构化数据训练的模型，已经能够快速筛选MOFs的气体吸附和选择性、机械强度以及其他性能。

然而，这些数据仅代表可用知识的一小部分：大多数与MOF相关的信息和数据，特别是来自实验研究的数据，仍然锁定在非结构化的文献中，未被机器学习方法充分利用。将这些丰富的信息结构化，可以极大地扩展数据驱动材料设计的范围和适用性。

文献数据的价值与局限

先前的工作已经证明了文献衍生数据对MOF性能预测的价值。例如，有研究应用自然语言处理从MOF文献中提取热稳定性数据并训练预测模型。其他案例展示了这种方法在预测比表面积、推荐合成条件以及设计稳定MOFs方面的有用性。

这些努力凸显了文本挖掘在将文本知识转换为机器学习结构化数据集方面的潜力。然而，大多数现有方法在范围上仍然狭窄，专注于单一性能提取或不易扩展的静态数据集。即使是大规模的文本挖掘数据集，也更强调从文献中提取属性，而非与晶体结构的稳健关联。

命名标准化：关键挑战

统一数据的一个主要障碍是缺乏标准化的命名规范。例如，单个化合物在文献中可能被称为"HKUST-1"，在特定文章中被标记为"Compound 1"，而在剑桥结构数据库（CSD）中则被编目为"FIQCEN"。这种不一致性不仅限于MOFs，而是贯穿整个材料科学领域，给人类和大语言模型（LLMs）跨来源匹配数据都带来了困难。

如果没有强大的实体解析能力，将实验数据与计算模型关联仍然是一个持续的挑战。

大语言模型：破解难题的新路径

近期大语言模型的进展提供了一条前进的道路。LLMs能够实现通用、可扩展的属性提取，直接从文本中提取性能、合成程序和应用见解。至关重要的是，它们还允许进行上下文推理，即使在未明确说明的情况下也能识别属性、连接实体或提供推荐。

这些能力为连接实验观察和计算表示开辟了新机遇，释放了集成的、文献驱动的材料发现的全部潜力。

---

MOF-ChemUnity：构建统一的知识图谱

核心方法论

在这项工作中，研究团队开发了一种利用LLMs建立MOF名称与剑桥结构数据库（CSD）中编目的晶体结构之间可靠的一对一映射的方法，以消除MOF名称和同义词与其晶体结构之间的歧义。这种关联使得实验和计算数据源的统一成为可能，从而创建了MOF-ChemUnity——一个结构化、可扩展的知识图谱，整合了科学文献中与MOF相关的数据。

数据规模与架构设计

在当前版本中，MOF-ChemUnity整合了来自约10,000篇科学文章和超过15,000个CSD晶体结构的信息，并将计算化学性质整合为机器可操作的格式。

从晶体结构出发并将其与文献关联的设计策略，使团队能够用实验测量、合成条件和专家见解来丰富计算就绪数据库。这种以晶体结构为中心的设计使数据集可直接用于机器学习，因为描述符是在晶体结构上定义的。同时，它也支持通过纳入新的计算和实验信息来实现持续增长。

知识图谱的优势

将这些信息组织在知识图谱中，能够存储上下文元数据，例如每个提取数据点的来源和理由，从而提高透明度和信任度，并允许人类和AI系统评估数据的有效性和可靠性。

最后，以统一图谱的形式组织提取和推断的知识，为应用驱动的、文献驱动的材料发现提供了可扩展、可扩展和可查询的基础。

---

关键技术：实体解析与信息提取

LLM代理工作流

MOF合成化学家通常在研究文章中报告表征数据和性能测量，使用各种命名规范来指代他们的材料。例如，源自作者机构的名称（如香港科技大学的"HKUST-1"）、化合物共指（如"Compound 1"）、化学式（如"Cu-BTC"）或结构特定标签（如"MOF-199"），所有这些可能都指同一化合物。

此外，当报告新的MOF时，其晶体结构通常通过X射线衍射解析并存入CSD，在那里被分配一个参考代码。这些结构构成了计算就绪数据集的基础。

研究团队开发的工作流程包括两个主要步骤：

1. 匹配工作流

   ：将由CSD参考代码标识的晶体结构与研究文章中的MOF名称和共指相匹配

2. 提取工作流

   ：使用这些名称从出版物中提取信息，如性能、应用和合成程序

最后，MOF-ChemUnity知识图谱通过结合计算和实验信息而构建。

---

应用场景展示

研究团队展示了多个使用案例，充分体现了MOF-ChemUnity的价值：

1. 多属性机器学习

结合模拟和实验数据的多属性机器学习模型，能够更全面地预测MOF材料的性能。这种方法突破了单一数据源的局限，实现了计算预测与实验验证的有机结合。

2. 专家引导的材料推荐

使用基于结构的嵌入（量化MOF化学和几何特征的机器学习描述符）进行专家引导的材料推荐。这种方法能够基于孔隙几何和化学特性提供精准的材料推荐。

3. 文献驱动的AI助手

构建能够进行推理和基于证据的检索的文献驱动AI助手。这个助手能够进行跨文档提取和数据聚合，通过汇总多个出版物的信息，编制单个化合物的完整合成记录。

4. 可信赖的科学助手

知识图谱增强的方法通过引用来源和追踪推理过程，提高了透明度，使人类用户能够判断每个响应的有效性，通过可验证性建立信任。

简单的工作流程展示了如何通过解析MOF名称、将其链接到晶体结构并在MOF-ChemUnity中捕获文献衍生的性能，使LLMs能够作为值得信赖的、文献驱动的助手运行。通过将MOF知识提炼成结构化、可查询和可解释的格式，知识图谱既充当事实基础，也充当推理框架。它不仅支持文本证据，还支持诸如相似性搜索等结构化工具，为科学发现中的可扩展、可验证和领域专业化的AI系统铺平了道路。

---

展望与结论

研究目标的实现

这项工作的主要目标是开发一个框架，将来自庞大MOF文献的知识提炼成统一的、结构化的、机器可读的格式，并将其与晶体结构和计算数据连接起来，使科学家和AI系统都能够利用MOF知识的全部广度。

MOF化学涵盖广泛的应用领域，使其信息丰富但难以导航。例如，一个从事磁性MOFs研究的研究人员如何能够从气体分离的最新发现中受益？相关见解可能被埋藏在不同的子领域中。即使涉及类似的材料或机制，这些见解往往仍未得到充分利用。

解决方案的创新性

研究团队通过消除MOF名称和晶体结构的歧义，并将提取的信息组织成知识图谱MOF-ChemUnity来解决这个问题。该图谱以适合进一步分析的格式链接实验数据、计算结果和专家推荐。

基础设施的可持续性

基础设施设计支持持续扩展，允许纳入新发布的MOFs和对数据库的持续丰富。这确保了系统能够随着领域的发展而不断更新和完善。

对材料科学的深远影响

通过将文献知识与结构化数据统一，MOF-ChemUnity为文献驱动的材料发现奠定了基础，使科学家和AI系统能够以全新的方式对现有的全部知识进行推理。

这项工作代表了材料信息学领域的重要进步，展示了如何将大语言模型、知识图谱和领域专业知识相结合，创建强大而可信的科学发现工具。随着越来越多的实验数据和计算预测被整合进来，MOF-ChemUnity有望成为MOF研究和开发的核心资源，加速新材料的发现并促进跨学科合作。

专家评估表明，在检索、结构-性能关系推断和材料推荐等任务中，该系统在准确性、可解释性和可信度方面均优于标准LLMs，为科学AI助手的未来发展指明了方向。

---

标签

#金属有机框架 #MOF #KnowledgeGraph #知识图谱 #LLM #材料信息学 #知识增强大模型

---

欢迎加入「知识图谱增强大模型产学研」知识星球，获取最新产学研相关"知识图谱+大模型"相关论文、政府企业落地案例、避坑指南、电子书、文章等，行业重点是医疗护理、医药大健康、工业能源制造领域，也会跟踪AI4S科学研究相关内容，以及Palantir、OpenAI、微软、Writer、Glean、OpenEvidence等相关公司进展。