自从使用过渡金属离子（Co²⁺）和带负电荷的有机连接体（BTC）结晶析出第一例金属有机框架（MOF）以来，已有 28 年之久。随后，MOF-2和MOF-5分别证明了永久多孔性和超高多孔性。这些贡献开启了MOF化学的大门，使其成为化学中最大的领域之一。现在，研究人员通常的做法是想象出一种结构，然后确定可以连接到该结构中的分子构件。通过设计适当的 MOF 结晶条件来克服结晶难题是研究者们梦寐以求的，因为这样就可以利用X射线以及电子衍射技术对MOF进行明确的表征。将 MOFs 固定在一起的强金属电荷连接键确保MOFs的结构稳定性和化学稳定性，因此可以在不损失孔隙率和结晶性的情况下，对MOFs进行后期合成修饰。从本质上讲MOF是一个超大分子，可以像处理溶液中的分子一样进行化学反应，只不过MOF “分子”包含了空间，在这个空间中，物质可以被进一步控制和转化。大量可能的MOF结构和对它们进行改性的灵活性，以及它们在气候、环境、能源、水和健康领域的众多应用，都证明了这类化学的巨大潜力。MOF的未来是什么，我们如何利用这种新型的化学力量和全部潜力？

我们认为，MOFs的未来至少有三个发展方向。

首先是多组分MOFs（multivariable MOFs）：MOF本身具有化学性质，因此分子化学的概念和技术在MOF的研究中将继续受到关注。了解MOF这方面的最佳方法是通过“分子之眼”：想象一个分子穿过孔道，观察MOF孔道内发生的变化。这些变化包括底物（如二氧化碳和水）与框架原子的结合、底物在与框架密不可分的催化金属或有机位点上的反应、在孔隙内或从孔隙中生长聚合物以提高MOF的加工性能等。除了这些“面包和黄油 ”类型的追求以及由此产生的有用化学反应外，MOF内部是一个高度异质的环境，尤其是当化学反应在孔隙中进行时，这就为我们提供了一个重要的机会。例如，在MOF内部进行的反应（合成后），如涉及与框架结合的有机官能团，会产生已反应和未反应官能团的异质空间排列（多组分）。在对MOF进行多步合成后修饰时，这种异质性会随着功能性数量的增加，呈指数级增长。问题和机遇就在这里：这种异质性的空间排列方式是什么？初步证据表明，这种多组分MOF在影响药物的程序化释放、高选择性分离以及类似于酶的催化作用方面优于其“纯均质 ”类似物。MOF化学几乎对每个方面都会产生多变量，因此，描述、研究和破解多组分 MOF 的机会以及此类系统的空间序列对于应用和发展该领域的基础科学将变得重要。能否设计出这样的序列，同时又不失去其多元性，又能否控制其化学性质？

第二，新兴MOF创新周期（the emerging MOF innovation cycle）：MOF 使我们能够开发一种新的循环，在这种循环中，分子被连接成框架，被设计成外形，并被集成到设备中，从而对社会产生影响。 这种创新循环需要化学和工程知识，以确保MOF和设备（例如，从空气中捕获二氧化碳或水）充分发挥作用。一旦将 MOF 集成到设备中，使其最大程度地接触到进入的客体分子，则必须考虑气流、热量和传质问题，以便在实际操作条件下实现最高效率。在这样的革新周期中，MOF与设备性能之间建立了紧密的联系，由于MOF的可设计性以及分子行为与设备性能之间的相关性，这种联系可以得到很好的优化。分子设计与性能之间的这种紧密联系还可以降低解吸温度，并在低湿度条件下收集水。MOF创新周期的各个要素完全在化学实验室中实施，这也为我们的研究人员提供更好、更新颖、更实用的教育。

第三，数字网格化学（digital reticular chemistry）：随着数字计算的发展，计算化学已成为现代化学不可或缺的组成部分。计算化学在网格结构化学中的意义在于，它能够确定分子层面的结构，并预测在各种应用中表现出更强能力的新型结构。在这一领域，采用的计算方法多种多样，包括主要采用密度泛函理论（DFT）进行的电子结构计算，以及经典的分子动力学（MD）和蒙特卡罗（MC）模拟。通过这些方法，研究人员可以研究和确定能量分布、电荷传输、吸附和气体分离、客体-宿主相互作用、热力学特性等。将计算与实验信息和数据科学技术相结合，对于加速MOF 化学的发现过程确实至关重要。然而，认识到这些计算方法的局限性也同样重要。计算机模拟的可靠性和准确性在很大程度上取决于所选择的方法和模型。因此，必须建立以物理为动力的模型，以恰当地表示所研究的系统。例如，在对支撑在MOF节点上的催化剂进行电子结构计算时，需要决定将其表示为单原子催化剂还是纳米粒子。这种选择不一定总是以实验数据为依据。此外，催化剂结构可能会在反应过程中发生变化，就金属催化而言，金属的核性和自旋状态在反应过程中发生变化的情况并不少见。在设计计算模型时应考虑这些因素，以准确捕捉催化过程。同样，在MD和MC模拟中，客体分子的存在会导致MOF框架结构发生变化。关键是要在模拟中考虑到这些变化，或者至少要意识到所使用的模型系统可能无法完全代表真实系统。在这种情况下，关注微小结构变化带来的趋势可能比预测特定性质的绝对值更有启发。研究人员认识到这些局限性，并将计算方法与实验数据结合使用，就能获得有关MOF化学的宝贵见解，确定发展趋势，并做出明智的预测。这种将理论、实验和数据科学相结合的跨学科方法可以大大促进具有定制特性和功能的MOF材料的发现和开发。

将人工智能融入计算化学，有可能彻底改变这一领域，不仅在网格化学领域，而且在更广泛的化学领域。然而，必须承认的是，人工智能是在其所训练的化学空间内运行的，并不能可靠地推断出该空间之外的情况。人类仍然必须在其领域知识和专业知识的指导下，就何时在探索过程中引入重大变化做出关键决策。影响人工智能在计算化学领域未来发展的一个重要方面是计算和人工智能生成结果的可重复性。研究人员必须努力将他们的数据和算法完全提供给科学界，以确保透明度并促进计算结果的验证和确认。通过利用人工智能的力量和拥抱可重复性文化，计算和人工智能在网状化学和整个化学领域的整合可以带来变革性的进步，加速发现，优化性能，并促进科学界的合作。

试想一下，我们可以使用GPT-4等学习语言模型（LLM）来可靠地挖掘信息，并将制造 MOFs 和使其结晶的反应条件制成表格，或者使用机器学习算法来预测新的MOF，并将其结构与特定性能和应用联系起来。试想一下，在 ChatGPT 的帮助下，我们可以将对MOF 进行过的所有计算信息制成表格，并在不同尺度上计算MOF创新周期的微观和宏观特性。我们相信，快速崛起的人工智能科学领域将对化学产生革命性的影响，而网格化学因其模块化和定义性，非常适合发挥人工智能的力量，实现 MOF 创新周期的自动化。这一点正在得到推动，为研究人员进入这一潜力巨大但尚未开发的网格化学领域提供了便利。让我们面对现实吧，化学需要与时俱进，需要更具可持续性和对社会的影响力。作为科学家，我们第一次有机会利用人工智能来提高自己的相关性，并受到更广泛的追捧。化学是一门研究变化的学科，因此作为化学家，我们也应该具备改变的能力。这是一个生存问题，而不是便利问题。网状化学是一个变革的成熟领域，我们很高兴地说，它的影响刚刚开始显现。

事实上，计算和人工智能的进步有可能使网格化学领域民主化，让全世界的研究人员更容易接触到这一领域。借助计算工具、应用程序、人工智能和 LLM，研究人员可以更轻松、更高效地对网状系统进行建模和模拟。这些技术进步使研究人员能够不受地理位置的限制，探索和分析MOFs、共价有机框架和其他网状结构。有了计算工具、人工智能算法和 LLM，就可以创建一个网络社区，在这里可以共享信息、促进合作、共同构建知识。通过计算和人工智能实现网状化学的可及性，使研究人员能够为该领域做出贡献，而不论他们的资源或实际距离专业设施有多远。这种包容性可以带来不同的视角、更快的知识传播，并加快网状化学研究的进展。

作者：王雪 

Link: https://pubs.acs.org/10.1021/acs.chemmater.3c01706