基于 Nature Communications (2025) 的突破性研究 | 6大模型中MAE最低 | 数据集规模达10.9万条，全球最大

在有机光电、生物成像、荧光传感等前沿领域，高效设计高性能荧光分子是科研工作的核心挑战。传统“试错法”耗时耗力，而理论计算（如TD-DFT）虽精确却计算成本高昂，难以支撑高通量筛选。

现在，这一切即将改变！

我们隆重推出 FLSF（Fluorescence Learning Structure-Feature Model） ——一个基于深度学习的荧光光物理性质预测平台，现已正式上线并开放使用。该模型源自发表于 Nature Communications (2025) 的突破性研究（DOI: 10.1038/s41467-025-58881-5），是目前精度最高、数据最全、功能最强大的荧光AI预测工具，专为实验化学家、材料科学家和计算研究人员打造。

🔍 为什么FLSF是您的理想选择？6大核心亮点


✅ 1. 在6个主流模型中表现最优，预测精度行业领先
论文中系统评估了包括 Random Forest, SVR, GCN, MPNN, Transformer 和 FLSF 在内的6种先进模型。结果表明：
FLSF在吸收波长（λabs）、发射波长（λem）和PLQY的预测中，均取得最低的MAE（平均绝对误差）！
FLSF是目前公开文献中预测精度最高的荧光AI模型。


✅ 2. 全球最大荧光数据集训练，覆盖16类骨架，超10.9万条记录
FLSF基于构建的迄今最大规模荧光数据库 FluoDB，整合了公开数据库与内部实验数据，包含：

• 109,054 条 光学性质记录（吸收、发射、PLQY、能隙等）

• 35,528 个 独立荧光分子

• 55,169 个 分子-溶剂组合

覆盖 16类核心荧光骨架：咔唑、香豆素、蒽、芘、BODIPY、罗丹明、花菁、吩噁嗪等
数据是AI的燃料——FLSF拥有最“饱足”的模型训练基础。


✅ 3. 首次实现“分子结构 + 溶剂”双输入联合预测，真实模拟实验环境
传统模型往往忽略溶剂效应，而FLSF创新性地将 SMILES 分子结构 与 溶剂类型 作为联合输入，精准捕捉溶剂极性、氢键等对荧光性能的影响。
无论您在 DMSO、乙腈、氯仿还是水 中测试，FLSF都能给出更贴近实验结果的预测。

 

✅ 4. 一键预测四大关键光物理参数，助力快速分子筛选
输入分子SMILES和溶剂，即可获得：

无需复杂计算，最快3秒内输出完整光谱信息，实现高通量虚拟筛选。

✅ 5. 用户友好界面，零代码操作，实验研究员也能轻松上手
我们为FLSF开发了简洁直观的Web工具，无需安装软件、无需编写代码：
输入SMILES（如 O=C1OC2=CC(N)=CC=C2C3=C1N=CO3）
选择或输入溶剂（支持中英文与SMILES）
点击“开始AI预测”
即刻获取结果
让AI真正服务于实验一线，缩短“设计-合成-测试”周期。


✅ 6. 开源可复现，模型透明，科研可信
模型架构与训练细节完整发表于 Nature Communications
数据集FluoDB部分公开（DOI: 10.1038/s41467-025-58881-5）
论文相关代码在GitHub开源
FLSF不仅是工具，更是推动荧光材料AI研究的开放平台。


🧪 科研案例：如何用FLSF加速您的研究？

案例 ：基于 FLSF 的新型荧光分子设计验证（源自 Nature Communications, 2025 实验部分）

研究团队以 3,4-噁唑并香豆素（oxazole-fused coumarin） 为代表，首次展示了“AI预测 → 分子设计 → 合成验证”的完整闭环流程：
使用 FLSF 模型预测候选分子的 吸收峰、发射峰与PLQY；
根据模型结果筛选出 3 个高潜力分子；
经合成与实验测量验证，预测值与实测值高度一致（λ_abs 与 λ_em 的偏差低于 15 nm，PLQY 误差 < 0.1）。

🚀 立即体验 FLSF，开启智能荧光设计新时代！
🔗 访问地址：https://www.omichem.com/zh/tools/flsf-v5
📚 论文链接：Nature Commun 2025, 16, 2345


🧑‍🔬 适合人群

从事 有机发光材料、OLED、荧光探针、生物成像 的化学家
希望 快速筛选分子、减少无效合成 的实验研究员
探索 AI for Science 的计算化学与机器学习研究者
📧 邮箱：[email protected]