HyperAI超神经

2025 年 10 月 8 日，诺贝尔化学奖在瑞典揭幕。瑞典皇家科学院决定将 2025 年诺贝尔化学奖授予日本京都大学教授北川进、墨尔本大学教授 Richard Robson 和加州大学伯克利分校教授 Omar Yaghi，以表彰其在「金属有机框架」（MOF，Metal–Organic Frameworks）领域的研究贡献。这个经历了超过 30 年市场验证的研究领域，此刻成为世界科学的年度注脚。

「北川进、 Richard Robson 和 Omar Yaghi 创造的新型分子结构包含巨大的空腔，允许分子穿过，因此可从沙漠空气中获取水分、从水中提取污染物或捕获二氧化碳并储存氢气。」诺贝尔化学奖委员会主席 Heiner Linke 在诺贝尔奖官方新闻中表示，金属有机框架具有巨大的潜力，可能为定制具有新功能的材料带来以前无法预见的机会。

而在诺奖之外，MOF 的意义早已超越材料科学本身，为人类构建出重新理解物质世界的时代。当人类在分子尺度上发现了「可编程」的三维空间，化学已经逐渐从「发现」迈向「设计」，过渡向数据、算法、 AI 的逻辑。

更多 AI 前沿论文： https://hyper.ai/papers

从配位聚合物到 MOF：36 年的化学拼图

事实上，从上世纪 80 年代到 2025 年终获诺奖，MOF 的研究见证了从化学概念探索到体系化设计的三阶段演进。

1989 年，Richard Robson 首次提出了三维配位聚合物的结构构想，尝试以一种新的方式利用原子的固有属性。他用配位键将金属节点与有机配体连接成周期性网络结构，将带正电的铜离子与一个四臂分子结合在一起，构造了每个臂末端都有一个化学基团、可以吸引铜离子的分子。「当它们结合在一起时，便凝聚成了一个秩序井然、空旷无比的晶体，就像一颗充满了无数空洞的钻石。」

这一研究成果以「Infinite Polymeric Frameworks Consisting of Three Dimensionally Linked Rod-like Segments」为题，发表在《美国化学会志》（Journal of the American Chemical Society，JACS）上。其中，Robson 合作的早期作者之一 Ben F. Hoskins ，参与发表了这篇开创性论文，为 MOF 的概念萌芽提供了第一手实验证据。

在随后 15 年的时间里，Omar Yaghi 和北川进团队分别在 Nature 、 Science 等期刊发表多篇论文，在结构构筑与功能调控方面连续取得革命性的突破，确立了 MOF 这一新型多孔材料体系，该研究领域也随之逐渐成型，进入了体系扩展阶段。

此阶段，学界开始在 MOF 基础结构上进行接枝等处理。北川进证明了气体可以流入和流出这种分子结构，提出「柔性框架（Flexible Frameworks）」与「可调孔（Breathing MOFs）」概念，使 MOF 从刚性孔道材料转变为动态结构材料，奠定了 MOF 从刚性材料向智能响应材料的转变方向。

1999 年，被称为「MOF 之父」Omar Yaghi 创造了一种非常稳定的 MOF（MOF-5），并证明可以通过合理的设计对其进行修改，从而赋予其全新的性能。 MOF-5 作为代表性金属有机框架材料，在氢气储存、气体吸附等早期研究中被广泛应用。他提出的「可设计框架（reticular chemistry）」理念，则推动了化学合成进入结构可预测时代。基于此，Mohamed Eddaoudi 同期发表了「Metal-Organic Frameworks from Design Strategies to Applications」等论文成果，推进 MOF-5 等早期高比表面积 MOF 的实验与合成化学。

在此期间，Michael O’Keeffe 还与 Omar Yaghi 合作，发表了研究论文「Towards a Taxonomy of MOF Structures」，从拓扑学视角系统化描述了晶体与 MOF 的底层结构。

而随着 MOF 迎来研究热潮，成为气体储存、药物递送、催化、传感等领域的核心研究对象，MOF 材料走向了产业化落地阶段，在气体储存、碳捕获和生物医学等领域展现出应用潜力。多种高稳定性的主流商用 MOF 结构开始产业化，如北川进团队与瑞典乌普萨拉大学合作开发的 Zr-based UiO 系列，成为可商业化的高热稳定 MOF 。

自 2022 年以来，北川进担任科学顾问的 Atomis 株式会社就联合八千代工程株式会社，基于 MOF 技术，致力于开发一种名为「智能燃气网络」的新能源燃气分配系统，希望利用 MOF 分子结构对沼气、天然气等难以控制的甲烷气体在常温下以纳米尺度进行吸附和释放，而无需依赖管道基础设施，实现气体轻量化运输。

最近 10 年，MOF 被广泛用于工业碳捕获。例如，卡尔加里大学的 George Shimizu 课题组开发了一种名为 CALF-20 的 MOF 材料。该课题组发表在 Science 的论文中提到，CALF-20 可以在含水、氧化性、废气条件下仍保持性能，不同于以往许多 MOF 在湿气环境中容易失活的缺陷。因此，CALF-20 被加拿大 Svante 公司用于捕获二氧化碳，以去除水泥生产尾气中的温室气体。此外，电子行业也开始使用 MOF 材料吸收半导体生产过程中的部分有毒气体。

对于 MOF 材料的特殊性质，诺贝尔委员会主席、瑞典隆德大学纳米物理学家 Heiner Linke 幽默表示，「这种材料几乎可以像《哈利·波特》里赫敏的手提包一样。」诺奖官方也在官方报道中称，继三位获奖者的突破性发现之后，化学家们构建的数以万计的不同 MOF，可能有助于解决人类面临的一些重大挑战。

目前，根据 Science 2025 年 7 月份的调查，MOF 在全球范围内已成为超过 10 万篇学术论文的主题。

当 MOF 被算法理解：化学与 AI 共振

在人工智能与各领域的融合浪潮下，许多研究者也纷纷开始探索「AI+MOF」的更多可能。此前，南昌大学尤志鹏团队发表了以「Artificial Intelligence in Metal–Organic Frameworks from 2013 to 2024: A Bibliometric Analysis」为题的论文，采用文献计量学方法和知识图谱可视化软件，对 2013 年至 2024 年中期 Web of Science 数据库中有关 MOFs AI 的科研论文进行分析。从拟合曲线看，研究人员对 MOFs 中的人工智能领域的兴趣日益浓厚。从 2016 年起，「AI + MOF」研究更是迎来了爆发式增长，文献数量持续上升，显示出这一交叉方向值得关注的前景。

2013 年至 2024 年「MOF+AI」文章的年度分布及增长趋势的模型拟合曲线

MOF 的结构化特性与化学数字化

目前，MOF 的结构化特性正不断推动化学数字化成为可能：MOF 的「可调金属节点 + 有机配体 + 拓扑网格」结构使其成为可枚举、可参数化的离散化化学空间，是材料 AI 可理解的研究对象。

MOF 之所以成为「材料 AI 的理想对象」，源自其天然的模块化与可参数化特性。根据韩国科学技术院在 JACS 发表的论文「From Data to Discovery: Recent Trends of Machine Learning in Metal–Organic Frameworks」的描述，一个 MOF 基本上由三类可分离的成分，即金属节点（Metal Nodes）、有机配体（Linkers）与空间拓扑（Nets）组成。这三者分别对应三种可枚举的离散变量：

* 不同金属簇/配位数；

* 可合成的有机配体化学骨架；

* 拓扑学上可选的连接方式。

这些维度的组合使 MOF 空间的「可扩展性」呈指数级增长。同时，由于候选结构（Candidate Structures）具有明确的化学语义，MOF 作为候选材料，为机器学习的数字化参与提供了「可编程的工作步骤」。例如，金属簇可作为节点、配体作为边或超边，拓扑信息可以编码为网络拓扑指标，图神经网络（GNN）因此能直接从结构学习吸附能、热稳定性等性质；而单元格参数、孔径分布、表面积与孔体积等标量描述可作为监督标签或多目标优化的目标函数。

总之毋庸置疑的是，相较于化学结构不可枚举的情况，MOF 的模块化语法将化学空间「离散化」为机器可读的规则，为材料 AI 提供了理想的创造范式，为化学数字化开拓了新的路径。

双向共生，AI 重塑 MOF 研究

天津理工大学、中国科学院和新加坡科技研究局团队在联合发表的论文「AI-driven Advances in Metal–organic Frameworks: from Data to Design and Applications」中提到，「人工智能和机器学习的最新进展为 MOF 领域带来了变革性的能力，关键数据库、深度学习架构、生成模型和混合人工智能模拟框架重塑了高性能 MOF 设计和筛选，实现了准确的属性预测、自动化的结构生成和大规模的合成规划。」而事实上，在过去 5 年，许多研究团队确实已经基于 AI 在 MOF 结构的属性预测、自动化生成等细分领域取得了阶段性成果。

2024 年，韩国科学技术院和浦项科技大学的研究团队开发了首个专为 MOF 结构预测而设计的深度生成模型 MOFFlow，以预测 MOF 结构的生成框架。该框架作为连续正则化流程，利用 MOF 的模块化特性，采用了流匹配（Flow Matching）的方法，将金属节点和有机配体视为刚体，并在 SE 空间中进行预测，以降低结构复杂度。其架构如下：

* 将 MOF 拆分为金属节点与有机配体等构件，为其定义一致的局部坐标系；

* 输入 MOFFlow 模型，设定简单的先验分布作为起点，定义从先验到目标结构分布的变换目标，采用流匹配框架学习，将随机构件合理排列；

* 基于编码器嵌入构件内的原子信息作为特征，用图神经网络建模构件间的几何与拓扑关系，并预测构件的旋转、平移与晶格参数；

* 进行采样与结构重构；* MOFFlow 输出数据，将生成结构与真实晶体进行匹配比对，验证结果有效性。

2025 年 4 月，Omar Yaghi 与加州大学伯克利分校的其他研究人员则推出了集成 LLM 、扩散模型（diffusion）、量子力学代理、合成可行性预测器等模块的 Agentic AI 系统「MOFGen」，用于从头生成 MOF 结构，并对结构进行筛选验证。 MOFGen 工作流程分为 7 个步骤：

* 主 LLM Agent MOFMaster（Agent 1）提供 MOF 结构的相关生成选项，并将指令传递给 LinkerGen（Agent 2）；

* LinkerGen 基于上下文学习，根据 MOFMaster 提供的约束生成 MOF 化学式；

* 将公式输入去噪扩散概率模型 CrystalGen 的输入，移除不相关的原子，并将相关原子移动到可能的位置，并在公式指导下通过无分类器引导，生成晶体结构；* 鉴于扩散模型生成的结构偏离平衡态，采用低级量子力学 Agent QForge 进行预筛选；

* 基于 SynthABLE 进行可合成性评估；

* 使用 QHarden 验证原子间距离，从晶体结构中去除漂浮原子、分子碎片和其他伪影，然后对结构进行最终优化；

* 基于 SynthGen 进行实验验证。

此外，针对现有模型重复使用已知构建块、限于小单元晶胞等局限，北京大学、哈佛大学、剑桥大学等研究团队联合引入了 SE 等变扩散模型 Building-Block-Aware MOF Diffusion，可以学习单个构建块的三维全原子表征，并显式地编码晶体拓扑网络。

对此，研究团队提出了「构件感知」的生成思路：

* 以 CoRE-MOF 数据库为起点，将 MOF 拆解为无机节点、有机配体与拓扑网格三类基础单元；

* 通过扩散模型（Diffusion Model）模拟结构从噪声到有序的生成过程，确保每一次预测都符合化学键合和空间对称的约束；

* 基于构件感知网络的学习识别构件之间的几何关系与拓扑连接，学习到潜在的化学规律；

* 从随机噪声中采样，逐步去噪并恢复节点与配体的位置，基于 PORMAKE 工具将这些构件重新组装，生成完整的 MOF 三维结构。

实验显示，BBA MOF Diffusion 将 MOF 构件纳入 Diffusion 模型后，能够生成包含上千原子单位格的全新 MOF 结构，打破了「从零开始」的限制，为可合成高性能 MOF 提供了一条切实可行的途径。

结语

从 Robson 的三维配位聚合物雏形，到 Yaghi 与北川进建立的可设计框架，再到今日 AI 参与的自动化生成，MOF 的发展轨迹几乎映照了化学从经验到计算、从结构到算法的演化史。它不只是一次材料学的突破，更是一种科学方法论的转向——当分子设计进入可计算的离散空间，化学开始拥有自己的「语言模型」。未来，随着生成式 AI 、量子计算和高通量实验平台的融合，MOF 的研究或将进一步从「经验发现」迈向「数据驱动」。

参考链接：

1. https://arxiv.org/html/2504\.14110v1

2. https://arxiv.org/abs/2410\.17270

3. https://arxiv.org/pdf/2505\.08531

4. https://pubs.acs.org/doi/10\.1021/jacsau.4c00618

5. https://www.nobelprize.org/prizes/chemistry/2025/popular\-information/

6. https://www.nobelprize.org/prizes/chemistry/2025/press\-release/

7. https://www.science.org/doi/10\.1126/science.abi7281