Name: 来自甲流热化学分子簇的大气浓度计算 (视频) | JoVE Journal
Uploaded: 2020-04-08T15:00:00.000+00:00
Duration: 12 min 11 s
Description: 了解利用遗传算法与量子化学计算研究弱结合分子团簇的计算方法。该技术可高效生成低能结构，为大气化学与气候变化模型提供重要数据支持。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

本项目得到了美国国家科学基金会（GCS）的资助，项目编号为 CHE-1229354、CHE-1662030、CHE-1721511 和 CHE-1903871，以及阿诺德和梅布尔·贝克曼基金会贝克曼学者奖（AGG）和巴里·M·戈德华特奖学金（AGG）的支持。研究使用了水星联盟（MERCURY Consortium）的高性能计算资源（http://www.mercuryconsortium.org）。

1. 寻找孤立甘氨酸和水的最低能量结构
注意：此处的目标有两个：（i）获得孤立水分子和甘氨酸分子的最低能量结构，用于遗传算法构型采样；（ii）计算这些分子在气相能量中的热力学修正值，用于大气浓度的计算。
<ol>
	<li>在本地计算机上，打开 Avogadro 的新会话。
	<ol>
		<li>点击 Build &gt; Insert &gt; Peptide，在弹出的 Insert Peptide 窗口中选择 Gly，以在可视化窗口中生成一个甘氨酸单体。</li>
		<li>点击 Extensions &gt; Gaussian，在文本框中将第一行修改为“# pw91pw91/6-311++G** int(Acc2E=12,UltraFine) scf(conver=12) opt(tight,maxcyc=300) freq”，然后点击 Generate，并将输入文件保存为 glycine.com。</li>
		<li>请注意，如果分子具有显著的构象柔性（如甘氨酸）55，则必须进行构象分析，以确定全局能量最低结构及其他低能构象体。OpenBabel54 提供了基于不同算法和快速力场的可靠构象搜索工具。尽管在遗传算法（GA）及后续计算过程中允许构象体松弛和相互转化，但有时仍需运行多次 GA 计算，每次从不同的初始构象体开始。</li>
	</ol>
	</li>
	<li>在本地计算机上，打开 Avogadro 的新会话。
	<ol>
		<li>点击 Build &gt; Insert &gt; Fragment，在 Insert Fragment 窗口中搜索“water”，以获取水分子的坐标。</li>
		<li>点击 Extensions &gt; Gaussian，在文本框中将第一行修改为“# pw91pw91/6-311++G** int(Acc2E=12,UltraFine) scf(conver=12) opt(tight,maxcyc=300) freq”，然后点击 Generate，并将输入文件保存为 water.com。</li>
	</ol>
	</li>
	<li>将两个 .com 文件传输至远程集群。登录远程集群后，通过批处理提交脚本调用 Gaussian 09 以启动计算。计算完成后，调用 OpenBabel 提取最低能量结构的笛卡尔坐标（.xyz 文件）。对于甘氨酸，执行的命令为： 
	obabel -ig09 glycine.log -oxyz &gt; glycine.xyz 
	这两个 .xyz 文件将在下一步的 GA 构型采样中使用。</li>
</ol>
2. 基于遗传算法的Gly(H2O)n=1-5团簇构型采样
注意：此处的目标是使用 MOPAC47 中实现的 PM746 模型，在低成本的半经验理论水平上获得 Gly(H2O)n=1-5 的一组低能结构。工作目录必须具有与图2所示完全相同的组织和结构，以确保自定义的 shell 脚本和 Python 脚本能够正常运行。
<ol>
	<li>将所有必要的脚本复制到远程集群，并将其位置添加到 $PATH
	<ol>
		<li>将所有脚本和模板文件放入一个文件夹（例如 scripts），然后将其复制到远程集群</li>
		<li>确保所有脚本都具有可执行权限</li>
		<li>在终端中输入以下命令，将脚本目录的位置添加到 $PATH 环境变量。脚本的默认位置设置为 $HOME/JoVE-demo/scripts，但用户也可以定义一个名为 $SCRIPTS_HOME 的环境变量，指向包含脚本的目录，并将 $SCRIPTS_HOME 添加到自己的路径中
		<ol>
			<li>Bash shell： 
			export SCRIPTS_HOME=/path/to/scripts 
			export PATH=${SCRIPTS_HOME}:${PATH}</li>
			<li>Tcsh/Csh shell： 
			setenv SCRIPTS_HOME /path/to/scripts 
			setenv PATH ${SCRIPTS_HOME}:${PATH}</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>在远程集群上设置并运行遗传算法（GA）计算：
	<ol>
		<li>创建一个名为 gly-h2o-n 的目录，其中 n 为水分子的数量。</li>
		<li>在 gly-h2o-n 目录下创建一个名为 GA 的子目录，用于运行遗传算法计算。</li>
		<li>将 OGOLEM 输入文件（例如 pm7.ogo）、单体笛卡尔坐标文件（例如 glycine.xyz、water.xyz）以及 PBS 批处理提交脚本（例如 run.pbs）复制到 GA 目录中。</li>
		<li>对 OGOLEM 输入文件和批处理提交文件进行必要的修改。</li>
		<li>提交计算任务。当计算开始后，OGOLEM 将在 GA 目录中创建一个以 OGOLEM 输入文件前缀命名的新目录（例如 pm7），并将新生成的坐标文件存储在该目录中。</li>
	</ol>
	</li>
	<li>计算完成后，整理能量和转动常数，并利用这些信息确定哪些是唯一的低能结构：
	<ol>
		<li>切换到 gly-h2o-n/GA/pm7 目录并</li>
		<li>使用以下命令提取能量并计算 GA 优化后团簇的转动常数： 
		getRotConsts-GA.csh N 0 99 
		其中 N 是分子团簇中的原子数，“0 99”表示 GA 种群大小为 100，索引范围从 0 到 99。该命令将生成一个名为 rotConstsData_C 的文件，其中包含所有 GA 优化团簇构型的排序列表、其能量及其转动常数。</li>
		<li>执行以下命令： 
		similarityAnalysis.py pm7 rotConstsData_C 
		其中 pm7 将用作文件命名标签，用于查找并保存唯一的 GA 优化团簇。该命令将生成一个名为 uniqueStructures-pm7.data 的文件，其中包含唯一 GA 优化构型的排序列表。这是 Gly(H2O)n 团簇在 PM7 理论水平上优化得到的唯一局部极小结构列表，这些结构现已准备好使用 DFT 进一步优化。</li>
	</ol>
	</li>
	<li>返回到 gly-h2o-n/GA 目录，并使用 combine-GA.csh 脚本合并多个可比的 GA 运行结果。语法为： 
	combine-GA.csh &lt;label&gt; &lt;包含 GA 运行结果的目录列表&gt; 
	在本例中，命令： 
	combine-GA.csh pm7 pm7 
	将在 gly-h2o-n/GA 目录中生成一个新的唯一结构列表，命名为“uniqueStructures-pm7.data”。</li>
</ol>
3. 使用小基组的量子力学方法进行优化
注意：此处的目标是利用更精确的量子力学描述方法，优化 Gly(H2O)n=1-5 团簇的构型采样，从而获得一组更小但更准确的 Gly(H2O)n=1-5 团簇结构。此步骤的初始结构来自第 2 步的输出结果。
<ol>
	<li>准备并运行小基组DFT计算：
	<ol>
		<li>在gly-h2o-n目录下创建一个名为QM的子目录。在QM目录下，再创建一个名为pw91-sb的子目录。</li>
		<li>将唯一结构列表（uniqueStructures-pm7.data）从gly-h2o-n/GA目录复制到QM/pw91-sb目录中。</li>
		<li>切换当前目录至gly-h2o-n/QM/pw91-sb。</li>
		<li>使用以下命令运行小基组DFT构型采样脚本： 
		run-pw91-sb.csh uniqueStructures-pm7.data sb QUEUE 10 
		其中sb是该组计算的标签，QUEUE是计算集群上首选的队列名称，10表示将10个计算任务合并为一个批处理作业。该脚本将自动为Gaussian 09生成输入文件并提交所有计算任务。若输入“test”作为“QUEUE”参数，则执行一次试运行。</li>
	</ol>
	</li>
	<li>当提交的计算任务完成后，提取并分析结果。
	<ol>
		<li>使用以下命令提取能量，并计算经小基组优化后的团簇的转动常数： 
		getRotConsts-dft-sb.csh pw91 N 
		其中pw91表示使用了PW91密度泛函，N为团簇中的原子数。该命令将生成一个名为rotConstsData_C的文件。</li>
		<li>接下来使用以下命令识别唯一结构： 
		similarityAnalysis.py sb rotConstsData_C 
		其中sb用作文件命名标签。此时，将在文件uniqueStructures-sb.data中保存一份在PW91/6-31+G*理论水平下优化得到的唯一构型列表。</li>
	</ol>
	</li>
	<li>返回至gly-h2o-n/QM目录，并使用combine-QM.csh脚本合并多个可比的量子力学（QM）计算结果。其语法为： 
	combine-QM.csh &lt;label&gt; &lt;包含QM计算的目录列表&gt; 
	在本例中，执行以下命令： 
	combine-QM.csh sb pw91-sb 
	将在gly-h2o-n/QM目录中生成一个新的唯一结构列表，命名为“uniqueStructures-sb.data”。</li>
</ol>
4. 使用大基组的量子力学方法进行进一步优化
注意：此处的目标是利用更精确的量子力学描述，进一步优化 Gly(H2O)n=1-5 团簇的构型采样。此步骤的起始结构来自第 3 步的输出结果。
<ol>
	<li>使用更大的基组提交更可靠的计算。
	<ol>
		<li>在 QM 目录下创建一个名为 pw91-lb 的子目录。</li>
		<li>将唯一结构列表（uniqueStructures-sb.data）从 gly-h2o-n/QM 目录复制到 gly-h2o-n/QM/pw91-lb 目录，并切换至该目录。</li>
		<li>运行大基组DFT构型采样脚本，命令为： 
		run-pw91-lb.csh uniqueStructures-sb.data lb QUEUE 10 
		其中 lb 是此组计算的标签，QUEUE 是计算集群上首选的队列，10 表示每批作业中包含 10 次计算。该脚本将自动为 Gaussian 09 生成输入文件并提交所有计算任务。若将 'QUEUE' 设为 'test'，则进行一次试运行测试。</li>
	</ol>
	</li>
	<li>当提交的计算完成后，提取并分析数据
	<ol>
		<li>使用以下命令计算大基组优化团簇的转动常数： 
		getRotConsts-dft-lb.csh pw91 N 
		其中 pw91 表示使用了 PW91 密度泛函，N 表示团簇中的原子数。</li>
		<li>现在使用以下命令识别唯一结构： 
		similarityAnalysis.py lb rotConstsData_C 
		其中 lb 用作文件命名标签。此时您已获得一份在 PW91/6-311++G** 理论水平上优化后的唯一构型列表，保存在文件 uniqueStructures-lb.data 中。</li>
	</ol>
	</li>
</ol>
5. 最终能量与热力学校正计算
注意：此处的目标是使用大型基组和超精细积分网格，获得Gly(H2O)n=1-5团簇的振动结构和能量，以计算所需的热化学校正。
<ol>
	<li>基于前一步的结果，提交更可靠的计算。
	<ol>
		<li>在 QM/pw91-lb 目录下创建一个名为 ultrafine 的子目录。然后将唯一结构列表（uniqueStructures-lb.data）从 QM/pw91-lb 目录复制到 QM/pw91-lb/ultrafine 目录，并切换至该目录。</li>
		<li>使用以下命令提交超细网格大基组 DFT 计算脚本： 
		run-pw91-lb-ultrafine.csh uniqueStructures-lb.data uf QUEUE 10 
		其中 uf 是本组计算的标签，QUEUE 是计算集群上首选的队列，10 表示每批作业中包含 10 个计算任务。该脚本将自动为 Gaussian 09 生成输入文件并提交所有计算任务。若将 'QUEUE' 替换为 'test'，则执行一次试运行测试。</li>
	</ol>
	</li>
	<li>当提交的计算完成后，提取并分析数据
	<ol>
		<li>使用以下命令提取能量，并计算大基组优化团簇的转动常数： 
		getRotConsts-dft-lb-ultrafine.csh pw91 N 
		其中 pw91 表示使用了 PW91 密度泛函，N 是团簇中的原子数目。</li>
		<li>现在使用以下命令识别唯一结构： 
		similarityAnalysis.py uf rotConstsData_C 
		其中 uf 用作文件命名标签。此时您将获得一份在 PW91/6-311++G** 理论水平上优化后的唯一构型列表，保存在文件 uniqueStructures-uf.data 中。</li>
	</ol>
	</li>
	<li>最终提取用于计算热力学修正所需的信息，并利用该信息计算热力学修正值。
	<ol>
		<li>提取最终的电子能量、转动常数和振动频率，并使用以下命令计算热力学修正值： 
		run-thermo-pw91.csh uniqueStructures-uf.data</li>
		<li>将命令行输出内容复制粘贴到名为 'gly-h2o-n.xlsx' 的 Excel 工作簿中的 'Raw_Energies' 工作表。您需要对单体（甘氨酸和水）以及每种水合物中能量最低的构型（gly-h2o-n，其中 n=1,2,…）执行相同操作。</li>
		<li>当原始能量被添加至 'gly-h2o-n.xlsx' 工作簿的第一个工作表后，后续的 'Binding_Energies' 和 'Hydrate_Distribution' 工作表将自动更新。特别是 'Hydrate_Distribution' 工作表会给出在不同温度（例如 298.15 K）、相对湿度（20%、50%、100%）以及水（[H2O]）和甘氨酸（[Glycine]）初始浓度条件下，各水合物的平衡浓度。这些计算背后的理论将在下一步中描述。</li>
	</ol>
	</li>
</ol>
6. 计算室温下海平面处Gly(H2O)n=0-5团簇的大气浓度
注意：首先将上一步生成的热力学数据复制到电子表格中，计算逐级水合的吉布斯自由能。然后利用吉布斯自由能计算每一步水合反应的平衡常数。最后，求解一组线性方程，得到在给定单体浓度、温度和压力条件下的各种水合物的平衡浓度。
<ol>
	<li>首先建立甘氨酸逐级水合反应的化学平衡体系，如下所示： 
	<img alt="Hydration reactions of Gly in water; chemical equations; equilibrium process." src="/files/ftp_upload/60964/60964equ01.jpg" data-altupdatedat="1762425657000" data-alt="Equation 1"></li>
	<li>计算平衡常数 Kn 使用 Kn = e-ΔGn/(kBT)，其中 n 是水合程度，ΔGn 是反应步骤 n 的吉布斯自由能变化th 水合反应， kB 是玻尔兹曼常数，以及 T 是温度。 
	<img alt="Equilibrium equations, glycol and water interaction, chemical formula, scientific analysis" src="/files/ftp_upload/60964/60964equ02.jpg" data-altupdatedat="1762425657000" data-alt="Equation 2"></li>
	<li>建立质量守恒方程，假设水合与非水合甘氨酸团簇的平衡浓度之和等于孤立甘氨酸的初始浓度 [Gly]0将这组包含六个联立方程的系统通过平衡常数表达式的代数重排，改写为 
	<img alt="Equilibrium equations with glycine-water complexes, depicting molecular binding states." src="/files/ftp_upload/60964/60964equ03.jpg" data-altupdatedat="1762425657000" data-alt="Equation 3"></li>
	<li>解上述方程组，得到甘氨酸（Gly(H）的平衡浓度2On = 0-5 使用实验值56,57,58 大气中甘氨酸的浓度，[Gly]0 = 2.9 × 10⁶ cm-3，以及在相对湿度为100%、温度为298.15 K时大气中水的浓度59，[H2O] = 7.7 × 1017 厘米-3.</li>
</ol>

本方案生成数据的准确性主要取决于三个方面：（i）步骤2所采样的构型多样性，（ii）体系电子结构的准确性，（iii）热力学修正的准确性。上述每个因素均可通过修改所附脚本中的方法加以改进。第一个因素可通过使用更大规模的随机生成结构初始池、增加遗传算法（GA）的迭代次数以及放宽GA中相关判据的定义来有效克服。此外，也可采用其他半经验方法，例如自洽电荷密度泛函紧束缚（SCC-DFTB）62模型和有效片段势（EFP）63模型，以探究不同物理描述带来的影响。该方法的主要局限在于无法形成或断裂共价键，这意味着单体结构被冻结。遗传算法过程仅根据半经验描述，寻找这些被冻结单体之间最稳定的相对位置。
可以通过多种方式提高体系电子结构的准确性，每种方法都有其相应的计算成本。可以选择更优的密度泛函，例如 M06-2X64 和 wB97X-V65，或更精确的量子力学（QM）方法，例如 Møller-Plesset66,67,68（MPn）微扰理论和耦合簇69（CC）方法，以改进对体系的物理描述。在泛函的层级结构中，性能通常随着从广义梯度近似（GGA）泛函（如 PW91）向长程校正杂化泛函（如 wB97X-D）和 meta-GGA 杂化泛函（如 M06-2X）过渡而逐步提升。
DFT 方法的缺点是无法系统地收敛到精确值；然而，DFT 方法在计算上成本较低，并且存在多种适用于不同应用的功能泛函。
采用波函数方法（如MP2和CCSD(T)）结合相关一致基组（其基组基数依次增加，例如[aug-]cc-pV[D,T,Q,...]Z）计算得到的能量会系统性地收敛至完备基组极限，但随着体系尺寸增大，每次计算的计算成本变得难以承受。通过使用显式关联基组70以及外推至完备基组（CBS）71极限，可进一步优化电子结构。我们近期的研究表明，采用密度拟合的显式关联二阶Møller-Plesset微扰法（DF-MP2-F12）所获得的能量接近MP2/CBS计算的结果32。若要修改当前协议以采用不同的电子结构方法，需进行两个步骤：(i) 根据软件规定的语法准备模板输入文件；(ii) 编辑 run-pw91-sb.csh、run-pw91-lb.csh 和 run-pw91-lb-ultrafine.csh 脚本，以生成符合该软件要求的正确输入文件语法及正确的提交脚本。
最后，热力学修正的准确性取决于电子结构方法以及对全局极小值附近势能面（PES）的描述。准确描述势能面需要计算核自由度位移相对于势能面的三阶及更高阶导数，例如四次力场72,73（QFF），这是一项计算成本极高的任务。当前方案采用谐振子近似来处理振动频率，因此只需计算势能面的二阶导数。然而，对于高度非谐性的体系（如非常柔性的分子和对称双势阱），由于真实势能面与谐振势能面之间存在显著差异，该方法会遇到问题。此外，若采用计算代价较高的高精度电子结构方法获得高质量势能面，将进一步加剧振动频率计算的成本问题。一种解决方法是结合高质量电子结构计算得到的电子能与在较低精度势能面上计算的振动频率，从而在计算成本与准确性之间取得平衡。当前方案可按照前文所述方式修改以采用不同的势能面描述；此外，也可直接修改脚本和模板中的振动频率关键词，以计算非谐性振动频率。
对于任何构型采样方案而言，两个关键问题分别是势能面的初始采样方法以及用于识别每个团簇的判据。在我们以往的研究中已广泛采用了多种方法。针对第一个问题，即势能面的初始采样方法，我们基于以下因素选择了使用遗传算法（GA）结合半经验方法。化学直觉引导的构型采样26、随机采样以及分子动力学（MD）29,30在处理超过10个单体的团簇时，通常难以稳定地找到可能的全局极小结构，这一点在我们对水团簇的研究中已观察到18。我们曾成功应用盆地跳跃法（BH）研究（H2O）11复杂的势能面74，但该方法需要手动引入一些BH算法未能发现的潜在低能异构体。BH与GA在寻找水团簇（H2O）n=10-20全局极小结构方面的性能比较表明，GA始终比BH更快地找到全局极小值75。OGOLEM和CLUSTER中实现的GA具有高度通用性，因为它可应用于任意分子团簇，并能与大量支持经典力场、半经验方法、密度泛函以及从头算（ab initio）的计算程序对接。选择PM7方法是因其计算速度快且具备合理的准确性；实际上，任何其他半经验方法都会带来显著更高的计算成本。
关于第二个问题，我们探索了使用不同的标准来识别独特结构，这些标准包括电子能量、偶极矩、重叠均方根偏差（RMSD）和转动常数。使用偶极矩存在困难，因为偶极矩的各个分量依赖于分子的取向，而总偶极矩对几何结构的差异极为敏感，导致难以设定判断结构是否相同或独特的阈值。实践证明，结合电子能量和转动常数的方法最为有效。
目前判断两种结构是否唯一的标准基于能量差阈值0.10 kcal mol-1和转动常数差异1%。因此，当两种结构的能量差超过0.10 kcal mol-1（约0.00015 a.u.）且其三个转动常数（A、B、C）中任意一个的差异超过1%时，即视为不同结构。多年来的大量内部基准测试表明，这些阈值是合理的选择。我们的构型采样方法和筛选策略已应用于多种体系，包括弱结合的多环芳烃-水复合物76,77，以及强结合的含氨和胺类的三元硫酸盐水合物32。对于存在多种质子化状态的团簇，最佳策略是进行多个遗传算法（GA）计算，每次计算从不同质子化状态的单体开始，以确保充分考虑不同质子化状态的结构。然而，低层级的DFT计算通常允许在几何优化过程中发生质子化状态的转变，从而无论初始几何构型如何，最终均会得到最稳定的质子化状态。
我们的遗传算法（GA）构型采样方法即使对于柔性分子也应能良好适用，前提是GA程序与通用的、非参数化的方法相耦合，从而允许单体在GA运行过程中采取不同的构型。例如，将GA与PM7方法耦合可允许单体结构发生变化，但如果其化学键断裂（如质子化状态改变时可能发生的情况），这些结构可能会因不符合要求而被舍弃。
我们已考虑了多种修正谐波近似缺陷的方法，尤其是由低振动频率引起的那些问题。将准谐波近似引入当前方法并不困难。然而，准谐波方法本身仍存在一些疑问，特别是关于应用该方法时所采用的截断频率的设定问题。此外，尽管传统观点认为准RRHO近似应优于RRHO近似，但目前仍缺乏严格的基准研究来检验准RRHO近似的可靠性。
因此，本方案可推广至任何非共价结合的气相分子团簇体系。通过修改脚本和模板，也可推广至使用任何半经验方法、电子结构计算方法及软件、以及振动分析方法及软件。这要求使用者熟悉 Linux 命令行界面、Python 脚本编写和高性能计算。Linux 操作系统的陌生语法和界面，以及缺乏脚本编写经验，是本方案中最大的障碍，也是新学生最易遇到困难之处。该方案已在本课题组多年来的多种应用中成功使用，主要聚焦于硫酸和氨对气溶胶形成的影响。对该方案的进一步改进将包括与更多电子结构计算软件的更稳健接口、遗传算法的替代实现方式，以及可能采用更新的方法以更快速地计算电子和振动能。我们目前的应用正在探究氨基酸在当前大气中气溶胶形成的早期阶段，以及在前生命环境中形成较大生物分子过程中的重要性。

在气候变化的大气研究中，最不确定的参数是云粒子反射入射太阳辐射的确切程度。气溶胶是悬浮在气体中的微粒物质，可形成被称为云凝结核（cloud condensation nuclei, CCN）的云粒子，这些粒子能够散射入射辐射，从而阻止其被吸收以及由此导致的大气升温1。要深入理解这种净冷却效应，必须了解气溶胶如何增长为CCN，而这就进一步需要理解小分子团簇如何增长为气溶胶粒子。最近的研究表明，气溶胶的形成始于直径为3 nm或更小的分子团簇2；然而，利用实验技术难以探测这一尺寸范围的粒子3,4。因此，需要采用计算建模的方法来克服这一实验上的局限性。
利用下文所述的建模方法，我们可以分析任意水合团簇的生长过程。由于我们关注水在前生命环境中促进小分子形成大生物分子的作用，因此以甘氨酸为例来说明本方法。所遇到的研究挑战及所需的分析工具，与大气气溶胶和前成核团簇研究中的问题非常相似5,6,7,8,9,10,11,12,13,14,15。本文中，我们从单个孤立的甘氨酸分子出发，逐步依次添加最多五个水分子，研究其形成的水合甘氨酸团簇。最终目标是计算在室温、海平面条件下、相对湿度（RH）为100%时，大气中Gly(H2O)n=0-5团簇的平衡浓度。
这些亚纳米级分子团簇中仅有少量通过吸附其他气相分子或与已有团簇凝聚，生长为亚稳态的临界团簇（直径1-3 nm）。这些临界团簇具有有利的生长特性，可进一步形成更大的云凝结核（CCN，直径达50-100 nm），从而直接影响云的降水效率及其对入射光的反射能力。因此，深入理解分子团簇的热力学性质及其平衡分布，将有助于更准确地预测气溶胶对全球气候的影响。
气溶胶形成的描述性模型需要精确的分子团簇形成热力学数据。计算分子团簇形成的精确热力学参数需要确定最稳定的构型，这涉及寻找团簇势能面（PES）上的全局和局部极小值16。该过程称为构型采样，可通过多种技术实现，包括基于分子动力学（MD）17,18,19,20、蒙特卡洛（MC）21,22以及遗传算法（GA）23,24,25的方法。
多年来，已开发出多种协议，以在高水平理论上获得大气水合物的结构和热力学性质。这些协议在以下方面有所不同：（i）构型采样方法的选择，（ii）构型采样中所用低级别方法的性质，以及（iii）在后续步骤中用于优化结果的高级别方法的层级体系。
构型采样方法包括化学直觉26、随机采样27,28、分子动力学（MD）29,30、势阱跳跃（BH）31以及遗传算法（GA）24,25,32。与这些采样方法结合使用的最常见低层次方法是力场或半经验模型，例如 PM6、PM7 和 SCC-DFTB。随后通常采用密度泛函理论（DFT）计算，所用基组逐渐增大，并选用 Jacob 梯子更高层级上更为可靠的泛函33。在某些情况下，还会进一步采用更高层次的波函数方法，例如 MP2、CCSD(T) 以及计算成本较低的 DLPNO-CCSD(T)34,35。
Kildgaard 等人36开发了一种系统性方法，该方法在较小的水合或非水合团簇周围的斐波那契球面37上的点位添加水分子，以生成更大团簇的候选结构。基于近距离接触阈值以及不同构象体之间的均方根距离，排除不合理的和冗余的候选结构。随后采用 PM6 半经验方法进行优化，并结合密度泛函理论（DFT）和波函数方法的层级计算，以在高水平理论下获得一组低能构象体。
人工蜂群（ABC）算法38是一种新的构型采样方法，最近由Zhang等人在名为ABCluster的程序中实现，用于研究分子团簇39。Kubecka等人40使用ABCluster进行构型采样，随后采用紧束缚GFN-xTB半经验方法41进行低层级的再优化。他们进一步使用DFT方法对结构和能量进行精细优化，最终采用DLPNO-CCSD(T)方法计算能量。
无论采用何种方法，构型采样均始于在势能面上随机或非随机生成的一组分布点。每个点对应于所研究分子团簇的特定几何构型，由采样方法生成。随后通过沿梯度方向搜索，为每个点找到最近的局部极小值 &#34;下坡&#34; 方向上的PES。所找到的这一组极小值对应于分子簇的那些至少在一段时间内稳定的几何构型。在此，PES的形状以及表面上每一点的能量计算结果将依赖于体系的物理描述，其中更精确的物理描述会导致更高的计算代价。我们将特别采用在OGOLEM中实现的GA方法25 程序，已成功应用于多种全局优化和构型采样问题42,43,44,45，以生成初始采样点集。该PES将由PM7模型描述46 在 MOPAC2016 程序中实现47这种组合方法被采用是因为它相较于MD和MC方法能产生更多样化的点，且比对势能面（PES）进行更详细描述的方法更快地找到局部极小值。
将GA优化得到的局部极小值组合作为一系列筛选步骤的起始几何构型，从而获得一组低能量的极小值结构。该部分方案首先使用小基组的密度泛函理论（DFT）对唯一存在的GA优化结构进行优化。这组优化通常会得到更少的一组唯一局部极小值结构，相较于GA优化的半经验结构，其建模更为精确。随后，对这一较小的结构集合使用更大的基组进行新一轮DFT优化。此步骤通常会进一步减少唯一结构的数量，且相较于小基组DFT步骤，其建模更加精细。最终得到的唯一结构将被进一步优化至更严格的收敛标准，并计算其谐振振动频率。完成此步骤后，我们即获得了计算大气中团簇平衡浓度所需的全部信息。整体方法的流程在图1中以示意图形式总结。我们将采用Gaussian0949程序中实现的PW9148广义梯度近似（GGA）交换-相关泛函，以及Pople50基组的两种变体（小基组步骤使用6-31+G*，大基组步骤使用6-311++G**）。选择这一特定的交换-相关泛函与基组组合，是因其在先前研究中成功用于计算大气团簇生成吉布斯自由能的高准确性51,52。
本方案假设用户可以访问一个配备便携式批处理系统53（PBS）、MOPAC2016（http://openmopac.net/MOPAC2016.html）47、OGOLEM（https://www.ogolem.org）25、Gaussian 09（https://gaussian.com）49 和 OpenBabel54（http://openbabel.org/wiki/Main_Page）软件的高性能计算（HPC）集群，且这些软件已根据各自的安装说明完成安装。本方案中的每一步均使用一组内部开发的 shell 和 Python 2.7 脚本，这些脚本必须保存至用户 $PATH 环境变量所包含的目录中。所有运行上述程序所需的环境模块和执行权限也必须加载到用户的会话中。按照现代计算机资源标准，遗传算法代码（OGOLEM）和半经验方法代码（MOPAC）的磁盘和内存占用非常小。OGOLEM/MOPAC 的总体内存和磁盘使用量取决于所使用的线程数量，即便如此，其资源消耗仍远低于大多数 HPC 系统的处理能力。量子力学方法的资源需求则取决于团簇的大小以及所采用的理论级别。采用本方案的优势在于，用户可根据需要调整理论计算级别，以获得最终的一组低能结构，但需注意，通常计算速度越快，结果的准确性不确定性也越高。
为了表述清晰，用户的本地计算机将称为&#34;本地计算机&#34;，而用户可访问的高性能计算集群将称为&#34;远程集群&#34;。

<table><tbody><tr><td>Avogadro</td><td>https://avogadro.cc</td><td></td><td>开源分子可视化程序</td></tr><tr><td>Gaussian [09/16] 软件</td><td>http://www.gaussian.com/</td><td></td><td>商业从头算电子结构程序</td></tr><tr><td>MOPAC 2016</td><td>http://openmopac.net/MOPAC2016.html</td><td></td><td>开源半经验程序</td></tr><tr><td>OGOLEM 软件</td><td>https://www.ogolem.org</td><td></td><td>基于遗传算法的全局优化程序</td></tr><tr><td>OpenBabel</td><td>http://openbabel.org/wiki/Main_Page</td><td></td><td>开源化学信息学库</td></tr><tr><td>calcRotConsts.py</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>计算转动常数的 Python 脚本</td></tr><tr><td>calcSymmetry.csh</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>用于根据笛卡尔坐标计算分子对称数的 Shell 脚本</td></tr><tr><td>combine-GA.csh</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>用于合并来自不同 GA 目录的能量和转动常数的 Shell 脚本</td></tr><tr><td>combine-QM.csh</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>用于合并来自不同量子力学目录的能量和转动常数的 Shell 脚本</td></tr><tr><td>gaussianE.csh</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>用于提取 Gaussian 09 能量的 Shell 脚本</td></tr><tr><td>gaussianFreqs.csh</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>用于提取 Gaussian 09 振动频率的 Shell 脚本</td></tr><tr><td>getrotconsts</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>根据分子的笛卡尔坐标计算转动常数的可执行程序</td></tr><tr><td>getRotConsts-dft-lb.csh</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>用于计算大批量大基组DFT优化结构的转动常数的Shell脚本</td></tr><tr><td>getRotConsts-dft-lb-ultrafine.csh</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>用于计算一批超精细DFT优化结构的转动常数的Shell脚本</td></tr><tr><td>getRotConsts-dft-sb.csh</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>用于计算一批小基组DFT优化结构的转动常数的Shell脚本</td></tr><tr><td>getRotConsts-GA.csh</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>用于计算一批遗传算法优化结构的转动常数的 Shell 脚本</td></tr><tr><td>global-minimum-coords.xyz</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>糖-(h2o)n全局最小结构的笛卡尔坐标，其中n=0-5</td></tr><tr><td>make-thermo-gaussian.csh</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>从高斯输出文件中提取数据并为 thermo.pl 脚本生成输入文件的 Shell 脚本</td></tr><tr><td>ogolem-input-file.ogo</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>Ogolem 样本输入文件</td></tr><tr><td>ogolem-submit-script.pbs</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>用于Ogolem计算的PBS批量提交文件</td></tr><tr><td>README.docx</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>帮助读者有效使用脚本的说明</td></tr><tr><td>runogolem.csh</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>运行 OGOLEM 的 Shell 脚本</td></tr><tr><td>run-pw91-lb.csh</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>用于运行大批量大基组DFT优化计算的Shell脚本</td></tr><tr><td>run-pw91-lb-ultrafine.csh</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>用于运行一批超精细DFT优化计算的Shell脚本</td></tr><tr><td>run-pw91-sb.csh</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>用于运行小基组DFT优化计算批处理的Shell脚本</td></tr><tr><td>run-thermo-pw91.csh</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>用于计算一批 DFT 优化结构的热力学修正的 Shell 脚本</td></tr><tr><td>similarityAnalysis.py</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>基于转动常数和能量确定唯一结构的Python脚本</td></tr><tr><td>对称性</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>根据笛卡尔坐标计算分子对称性的可执行程序</td></tr><tr><td>对称性.c</td><td>(C) 1996, 2003 S. Patchkovskii, Serguei.Patchkovskii@sympatico.ca</td><td></td><td>用于根据笛卡尔坐标确定分子对称性的 C 代码</td></tr><tr><td>template-marcy.pbs</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>使用 OGOLEM 的 PBS 提交脚本模板</td></tr><tr><td>template-pw91.com</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>模板 Gaussian 09 输入文件</td></tr><tr><td>template-pw91-HL.com</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>超精细DFT优化的Gaussian 09输入模板</td></tr><tr><td>thermo.pl</td><td>https://www.nist.gov/mml/csd/化学信息学研究组/产品与服务/理想气体计算程序</td><td></td><td>用于计算理想气体热力学校正的 Perl 开源脚本</td></tr><tr><td>gly-h2o-n.xlsx</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>完整实验方案的 Excel 表格</td></tr><tr><td>table-1.xlsx</td><td>Shields课题组，化学系，福尔曼大学</td><td></td><td>Excel 电子表格</td></tr><tr><td>table-2.xlsx</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>Excel 电子表格</td></tr><tr><td>table-3.xlsx</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>Excel 电子表格</td></tr><tr><td>table-4.xlsx</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>Excel 电子表格</td></tr><tr><td>水.xyz</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>水的笛卡尔坐标</td></tr><tr><td>glycine.xyz</td><td>Shields课题组，化学系，弗曼大学</td><td></td><td>甘氨酸的笛卡尔坐标</td></tr></tbody></table>

从ab initio热化学计算分子团簇的大气浓度

Computation of Atmospheric Concentrations of Molecular Clusters from ab initio Thermochemistry

大气气溶胶形成与生长的计算研究需要精确的吉布斯自由能面，该自由能面可通过气相电子结构和振动频率计算获得。这些物理量适用于其几何结构对应于势能面上极小值点的大气团簇。最小能量结构的吉布斯自由能可用于预测该团簇在不同温度和压力等条件下的大气浓度。本文介绍了一种计算成本较低的方法，该方法基于遗传算法的构型采样，随后进行一系列精度逐步提高的筛选计算。该方法首先利用半经验模型生成并演化大量构型的几何结构，然后在一系列高精度的从头算（ab initio）理论水平上对所得的独特结构进行优化。最后，对得到的最小能量结构集合计算热力学修正项，并用于计算其生成吉布斯自由能、平衡常数以及大气浓度。本文展示了该方法在环境条件下水合甘氨酸团簇研究中的应用。

通过利用遗传算法以及半经验和ab initio量子化学的多步构型采样方法，可从低能结构的热化学性质计算弱结合分子簇的大气浓度。

大气气溶胶形成与生长的计算研究需要精确的吉布斯自由能面，该自由能面可从气相……获得

本方案为研究弱结合分子团簇提供了一种灵活且计算上可行的方法，可直接用于深入理解其结构、形成过程及丰度。该技术的主要优势在于能够以不同理论水平高效且灵活地处理分子团簇，涵盖从快速的力场和半经验方法到严格的量子力学方法。大气化学和气溶胶化学领域将从该方法中获益最多，从而推动建立更精确的气候变化模型。然而，任何涉及分子簇的领域均可利用这一方法。对于从未操作过该技术的人员而言，最具挑战性的步骤是初始程序和脚本的安装，以及将其适配到本地计算环境的过程。计算化学领域的新手学生可通过直观的分步操作演示，克服在使用高性能计算集群过程中面临的学习曲线陡峭问题。为了在遗传算法构型采样中使用孤立甘氨酸分子的最低能量结构，首先在 Avogadro 中新建一个会话，依次点击“构建”、“插入”、“多肽”、“甘氨酸”，然后点击“插入多肽”，在可视化窗口中生成一个甘氨酸单体。接着点击“扩展”和“Gaussian”，按照提示编辑文本框中的第一行内容。点击“生成”，并将命令文件保存为 glycine.com。为了获得孤立水分子的最低能量结构，在 Avogadro 中新建一个会话，选择 构建（Build）、插入（Insert）和片段（Fragment）。在过滤文本框中输入 water，选择水分子文件并点击插入（Insert）。点击 扩展（Extensions）和 Gaussian，在文本框中按指示编辑第一行。单击生成，将命令文件保存为 water.com。然后将两个 com 文件传输到计算集群，并使用相应的提交脚本运行 Gaussian 09 计算。当计算在计算集群上完成后，调用 Open Babel，按照所示命令输入以生成最低能量结构的 xyz 文件。对于基于遗传算法的构型采样，将所有脚本和模板添加到一个文件夹中，并将该文件夹复制到远程集群。确保所有脚本均可执行，并按照指示使用命令将脚本目录的位置添加到路径环境变量中。为了在较低计算成本的半经验理论水平上获得甘氨酸与水的一组低能结构，创建一个名为 gly-h2o-n 的目录，其中 n 为水分子的数量，并在 gly-h2o-n 目录下创建一个名为 GA 的子目录，用于运行遗传算法计算。将ogolem输入文件、单体的笛卡尔坐标以及PBS批处理提交脚本复制到GA目录中，并使用经过适当修改的run.pbs提交脚本运行GA计算。计算完成后，切换至gly-h2o-n GA pm7目录，并按提示运行getRotConsts命令，其中13表示团簇中的原子数，zero和nine表示共有10个结构，其索引范围为zero到nine。这将计算经遗传算法（GA）优化的团簇的转动常数，并生成一个名为 rotConstsData_C 的文件，该文件包含所有 GA 优化团簇构型的排序列表，以及它们的能量和转动常数。将 rotConstsData_C 文件作为输入，运行 similarityAnalysis.py 脚本，以找出并保存唯一的 GA 优化团簇。Pm7 将用作文件命名标签，以生成名为 uniqueStructures-pm7.data 的文件。该文件包含经过遗传算法优化后得到的唯一构型的排序列表。在 gly-h2o-n GA 目录中，使用 combine-GA。csh 脚本用于合并多次可比较的遗传算法（GA）运行结果，并在 gly-h2o-n GA 目录中生成一个名为 uniqueStructures-pm7.data 的新唯一结构列表。工作目录应具有如图所示的确切组织和结构。为了利用更精确的量子力学方法对基于半经验方法的遗传算法得到的甘氨酸水团簇结构进行优化，需在 gly-h2o-n 目录下创建一个名为 QM 的子目录。在 QM 目录下，再创建一个名为 pw91-sb 的子目录，并将 gly-h2o-n GA 目录中的 uniqueStructures 列表复制到 QM pw91-sb 目录中。随后切换至 gly-h2o-n QM pw91-sb 目录，运行小基组密度泛函理论脚本 run-pw91-sb。csh，其中 sb 是此组计算的标签，Q 是计算集群上首选的队列，10 表示将 10 次计算合并为一个批处理作业。提交的计算完成后，使用 getRotConsts-dft-sb.csh 脚本提取能量，并计算小基组优化团簇的转动常数。此处，pw91 是所采用的密度泛函，n 是团簇中的原子数目。与之前一样，使用 similaryAnalysis.py 脚本识别独特结构，但使用 sb 作为标签。在 pw91 631 加 G 星理论级别下优化的一组独特构型将被保存在 uniqueStructures-sb.data 文件中。在 gly-h2o-n QM 目录中，使用组合文件 combine-QM。用于合并多次可比较的量子力学（QM）运行结果的 csh 脚本。执行 combine-QM.csh pw91-sb 命令将生成一个名为 uniqueStructures-sb 的新唯一结构列表。gly-h2o-n QM 目录中的数据。为了使用更精确的量子力学描述进一步优化甘氨酸和水团簇的结构，在 QM 目录下创建一个名为 pw91-lb 的子目录。将唯一结构列表从 QM pw91-sb 目录复制到 QM pw91-lb 目录，并将当前目录更改为 QM pw91-lb。运行大基组密度泛函理论脚本 run-pw91-lb.csh，其中 lb 是此组计算的标签，Q 是计算集群上首选的队列，10 表示将 10 次计算归入一个批处理作业中。提交的计算完成后，使用 getRotConsts-dft-lb。用于计算大基组优化团簇转动常数的 csh 命令。其中，pw91 是所采用的密度泛函，n 为团簇中的原子数目。使用 similarityAnalysis。使用之前的 py 脚本，但现在以 lb 作为标签，生成在 pw91 6-311++G** 理论水平上优化的唯一构型列表，并保存至 uniqueStructures-lb.data 文件中。为了获得计算所需热化学校正量所必需的甘氨酸和水团簇的振动结构与能量，请将唯一构型列表从 QM pw91-lb 目录复制到 QM pw91-lb ultrafine 目录，并将当前目录更改为 QM/pw91-lb ultrafine。运行超精细密度泛函理论脚本 run-pw91-lb-ultrafine.csh，其中 uf 是此组计算的标签，Q 是计算集群上首选的队列，10 表示将 10 次计算归为一批作业。该脚本将自动为 Gaussian 09 生成输入文件并提交所有计算任务。当提交的计算完成后，使用 getRotConsts-dft-lb-ultrafine.csh 命令计算超精细优化团簇的转动常数。其中，pw91 是所采用的密度泛函，n 为团簇中的原子数目。使用 similarityAnalysis.py 脚本，像之前一样，但现在以 uf 作为标签，在 pw91 6-311++G** 理论水平下生成并保存一份独特的构型列表，这些构型已针对超精细收敛标准进行优化，并存储在 uniqueStructures-uf.data 文件中。然后运行 run-thermo-pw91.csh 脚本，并以 uniqueStructures-uf.data 文件作为输入，计算热力学校正。将命令行输出结果复制并粘贴到名为 gly-h2o-n.xls 的附带电子表格中。随着本计算以及后续 n 等于 2、3、4 和 5 的计算所得的原始能量数据被添加至 gly-h2o-n.xls 电子表格的第一张工作表，水合物分布工作表将自动更新，该工作表可给出在不同温度、相对湿度以及水和甘氨酸初始浓度下的水合物平衡浓度。此处可以观察到甘氨酸-水团簇中电子能量最低的异构体。注意随着水分子数量的增加，氢键网络的复杂性如何逐渐增加，从基本上是平面的结构发展到当 n 等于 5 时的三维笼状结构。在此表中，展示了 run-thermo-pw91 运行结果的一个示例。csh 脚本如图所示。对于每个团簇，pw91 6-311++G** 的能量对应于气相电子能，该能量在 pw91 6-311++G** 理论水平上使用超精细积分网格计算，单位为哈特里，同时还包括零点振动能，单位为千卡每摩尔。在每个温度下，给出计算的焓变形成能 ΔH 和吉布斯自由能形成能 ΔG，单位为千卡每摩尔，而计算的熵形成能 S 的单位为卡每摩尔。本表展示了甘氨酸总水合吉布斯自由能变化及逐步水合过程的代表性计算结果。利用这些数据，可计算出大气中水合甘氨酸的浓度。用户必须安装正确的软件，并将所附脚本添加至自身计算环境中以适配使用。将脚本的位置添加到用户的路径中至关重要。该技术被用于确定大气水团簇在肽键形成中的催化活性，以推动前生命化学领域的发展。

computation-atmospheric-concentrations-molecular-clusters-from-ab

Research

科研

JoVE Journal

Chemistry

化学

来自甲流热化学分子簇的大气浓度计算

我们介绍一种技术，可实现分子束中不同构象体或团簇在空间上的分离。利用静电偏转器根据其质荷比对不同物种进行分离，从而获得单一构象体或特定化学计量比团簇的气相集合体。...

分子构象体与团簇的空间分离

本文描述了利用伯铵三苯基乙酸盐在非极性溶剂中重结晶，构建一系列晶体中氢键超分子簇的方法。这种对超分子簇的选择性构建，有助于系统性地开展超分子簇与其组分之间相关性的对称性研究。...

一系列含二元或三元铵三苯乙酸盐的超分子簇的构建与系统性对称研究

通过定量物种分布数据的比较，研究了新型生物燃料、燃料组分或航空燃料的氧化燃烧化学。这些数据可用于动力学模型的验证，并支持燃料评估策略。本文描述了常压高温流动反应器，并展示了其功能。...

燃料燃烧化学：利用耦合分子束质谱仪的大气压高温流动反应器获取定量物种数据

本文介绍了一种合成In37P20(O2C14H27)51团簇并将其转化为磷化铟量子点的实验方案。...

In37P20(O2CR)51 纳米团簇的合成及其向InP量子点的转化

本文介绍了一种利用增强型量子力学/分子力学（QM/MM）方法研究卟嗪分子中双质子转移过程同位素效应的实验方案。...

增强型量子力学/分子力学方法研究卟嗪双质子转移过程中的同位素效应

利用团簇诱导解吸/电离质谱法分析表面复杂分子及其反应

本文介绍了一种基于第一性原理量子化学计算，对紧束缚激子哈密顿量进行参数化的实验方案，用于计算分子材料的光吸收光谱及其光电性质。...

用于计算分子聚集体与固体光学吸收光谱及光电特性的激子哈密顿量

熔体和流体是自然界中物质迁移的普遍载体。我们开发了一个开源软件包，用于分析此类体系的从头算分子动力学模拟。我们计算了其结构特性（成键、团簇化、化学组分）、输运特性（扩散、黏度）以及热力学特性（振动谱）。...

使用UMD软件包分析从第一性原理分子动力学模拟中获得的熔体和流体

本文介绍了一种实验方案，该方案结合电喷雾-离子淌度-质谱法、半经验量子计算以及能量分辨阈值碰撞诱导解离技术，用于测量相关三元金属配合物解离反应的相对热化学性质。...

利用离子淌度-质谱法研究镍(II)和锌(II)三元配合物的热化学性质

分离和表征革兰氏阴性菌脂多糖（LPS）的脂质A区域，有助于深入了解基于细胞表面的抗生素耐药机制、细菌存活与适应性，以及化学结构多样的脂质A分子如何差异性地调节宿主先天免疫反应。...

革兰氏阴性菌脂质A的分离与化学表征

了解利用遗传算法与量子化学计算研究弱结合分子团簇的计算方法。该技术可高效生成低能结构，为大气化学与气候变化模型提供重要数据支持。

从ab initio热化学计算分子团簇的大气浓度

探索更多视频