直接指导荧光分子设计，浙大等提出模块化人工智能框架FLAME

第一时间掌握

新鲜的 AI for Science 资讯

编辑丨coisini

荧光成像作为基础研究和临床实践不可或缺的工具，其发展一直受荧光团技术所驱动。现有荧光团普遍存在性能不足的问题，且由于微妙的构效关系与复杂的溶剂效应，其开发过程高度依赖试错实验。

近年来，基于机器学习的数据驱动科学在预测分子性质、虚拟筛选和分子生成等领域展现出巨大潜力。就荧光分子设计而言，需同步考虑最大吸收波长、最大发射波长、光致发光量子产率和摩尔吸光系数等复杂关联参数。

近期，来自浙江大学等机构的研究者构建了模块化架构的人工智能框架 FLAME，通过整合开源数据库、多重预测模型与前沿分子生成器来革新荧光团设计。研究论文以《A modular artificial intelligence framework to facilitate fluorophore design》为题发表在《Nature Communications》上。

论文地址：https://www.nature.com/articles/s41467-025-58881-5

首先，该研究创建了迄今最大的开源荧光团数据库 FluoDB，包含 55,169 个荧光团 - 溶剂配对样本。相较于现有数据库，FluoDB 在数据量与分子多样性上均有突破，涵盖 16 类核心荧光骨架和 728 个亚类。

研究团队进而设计出基于「荧光骨架」指纹表征的光学性能预测模型 FLSF，该模型能快速精准地预测光学性能，其可靠性与潜力已通过分子和原子层面的可解释性分析得到验证。进一步整合分子生成器后，该框架可设计具有目标荧光特性的新型化合物。

为了直接指导荧光分子设计，研究团队整合多种开源数据库、预测模型和分子生成器，构建了人工智能框架 FLAME，并用实验验证了其实用性。研究团队从虚拟分子库选择 3,4 - 噁唑并香豆素分子，利用一锅法合成了高亮度新型荧光分子。

FLAME 能帮助研究人员高效设计具有预期光学性能的全新分子：研究人员仅需向系统输入目标光物理参数，即可自动完成多步骤计算流程，大幅减少试错实验负担，且研究人员无需具备荧光或计算领域的专业知识。

得益于模块化架构，FLAME 可持续整合新数据 / 算法，以实现迭代升级。研究团队表示：未来 FLAME 还可引入合成可行性预测模型对候选分子进行可合成性评分，并集成逆合成分析工具，实现从分子设计到合成路线的全流程优化。

相关报道：http://www.news.zju.edu.cn/2025/0421/c777a3040425/pagem.htm

人工智能×[ 生物 神经科学 数学 物理 化学 材料 ]

「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。