北京大学莫凡洋

yinjian

莫凡洋，1982年出生于辽宁省辽阳市。本科和硕士就读于北京理工大学，导师周智明教授。2006-2010年在北京大学化学学院王剑波教授课题组学习。2010-2015年，先后在 Scripps研究所和德州大学奥斯汀分校做博士后研究，合作导师为张庆海教授和董广彬教授。在Science, Nat. Nano., Matter, JACS, Angew和Chem. Rev.等学术期刊发表论文60余篇，引用3300余次。2015年4月入选北大“百人计划”，任职于工学院能源与资源工程系。2021年转入材料学院。


莫凡洋
特聘研究员
联系电话：86-10-82529331
邮箱：fmo@pku.edu.cn
主页地址：http://www2.coe.pku.edu.cn/faculty/mofanyang/


教育经历：
2010年7月 北京大学 理学博士
2006年7月 北京理工大学 工学硕士
2004年7月 北京理工大学 工学学士


研究工作经历：
2015年4月-至今 北京大学工学院 特聘研究员
2011年11月-2015年03月 美国德州大学奥斯汀分校 有机化学 博士后 （导师Prof. Guangbin Dong）
2010年09月-2011年07月 美国Scripps研究所 化学生物学 研究助理 （导师Prof. Qinghai Zhang）


科研兴趣和研究方向：
莫凡洋课题组致力于发展基于联硼化合物修饰的半导体氧化物材料在能源转换，光催化等方面的研究；同时开创性地应用单分子电学检测平台用于催化反应机理的研究；现在及将来，我们还将运用人工智能和机器人技术，提高科学知识的生产效率，加速有机化学学科发展，提高合成化学在材料制备和药物开发中的基础作用。


代表性学术论文：
1. C.Yang, L. Zhang, C. Lu, S. Zhou, X. Li, Y. Li, Y. Yang, Y. Li, Z. Liu, J. Yang, K. N. Houk*,F. Mo*, X. Guo*, Unveiling the full reaction path of the Suzuki-Miyaura cross-coupling in a single molecule junction.Nat. Nanotechnol 16, 1214–1223(2021)
2. C. Yang, L. Zhang, H. Li, Y. Guo, C. Jia, W. Zhu*,F. Mo*, X. Guo*, Single-Molecule Electrical Spectroscopy of Organocatalysis.Matter4, 2874–2885(2021)
3. F. Mo*, D. Qiu, L. Zhang, J. Wang*, Recent Development of Aryl Diazonium Chemistry for the Derivatization of Aromatic Compounds.Chem. Rev. 121, 5741–5829 (2021)
4. Z. Zhang, L. Zhang, X. Zhang, J. Yang, Y. Yin, Y. Jiang, C.-C. Zeng, G.Lu, Y. Yang,F. Mo*, Anodic Oxidation Triggered Divergent 1,2- and 1,4-Group Transfer Reactions of β-Hydroxycarboxylic Acids Enabled by Electrochemical Regulation.Chem. Sci.11, 12021-12028 (2020)
5. Y. Cao, P. Zhou, Y. Tu, Z. Liu, B.-W. Dong, A. Azad, D. Ma, D. Wang, X. Zhang, Y. Yang, S.-D. Jiang, R. Zhu, S. Guo,F. Mo*, W. Ma, Modification of TiO2Nanoparticles with Organodiboron Molecules Inducing Stable Surface Ti3+Complex.iScience20, 195-204 (2019)

yinjian

手性分离是合成化学、材料科学和生物制药等领域中的一个重要问题。手性分离技术可以将一种化学物质中的多种手性异构体分离出来，从而获得高纯度的手性异构体，在制药、生物化学、农业化学等领域具有广泛应用。目前主流的手性分离方法之一是高效液相色谱（HPLC）。在色谱对映体分离中，实验条件的选择，包括HPLC柱类型、流速和展开剂比例，目前仍然是由经验和试错得出的。这个过程繁琐且耗时，不仅使得实验效率低下，还会导致资源的浪费。

图1 人工试错与人工智能预测手性分子色谱分离条件的对比

        北京大学材料科学与工程学院莫凡洋副教授课题组采用机器学习技术来预测手性分子在高效液相色谱中的保留时间，并提出分离概率这一指标以辅助预测色谱手性分离条件。为了解决数据采集的问题，研究者从644篇不对称催化文献中自动提取实验结果，建立了手性分子保留时间数据集（CMRT数据集）。同时，研究者提出一种分位数几何增强图神经网络（QGeoGNN），用于学习分子结构与保留时间的关系。为了拓展模型的实用性，色谱的领域知识被融入到机器学习模型中，实现了多柱预测。在此基础上，研究者进一步提出了分离概率指标，以衡量手性分子在给定条件下的分离概率，从而快速准确地预测最优的手性分离实验条件。
研究表明，该研究框架在保留时间预测和色谱分离条件预测方面表现良好，为机器学习技术在化学实验场景中的应用带来了新的视角。同时，它还提高了实验的效率，更有利于加快科学发现的速度。
        相关研究成果发表于Nature Communications（Doi: 10.1038/s41467-023-38853-3），莫凡洋和张东晓教授（北京大学工学院，宁波东方理工大学）为本论文的共同通讯作者。北京大学博士生徐浩是本论文的第一作者，北京大学博士生林京龙是本文的第二作者。该项研究工作得到了国家自然科学基金的资助。
        论文链接：https://doi.org/10.1038/s41467-023-38853-3