染料的筛选方法

摘要

本发明涉及一种染料的筛选方法，设计染料结构后，预测染料溶液的紫外‑可见吸收光谱，并由其确定染料的颜色，再筛选出颜色满足要求的染料；预测过程为：首先获取染料溶液中的染料分子的构象，然后先后利用量子化学程序结合半经验级别的量子化学方法和DFT级别的量子化学方法在隐式溶剂模型下对构象进行优化，最后根据优化后的构象的玻尔兹曼分布比例绘制构象权重平均光谱得到紫外‑可见吸收光谱；DFT级别的量子化学方法所配合使用的基组为3‑zeta或者2‑zeta加弥散的基组。本发明的筛选方法，普适性好，可适用于不同结构类型的染料；能得到准确的紫外‑可见吸收光谱进而精准反映染料的特征。

权利要求

1.染料的筛选方法，其特征是：设计染料结构后，预测染料溶液的紫外-可见吸收光谱，并由其确定染料的颜色，再筛选出颜色满足要求的染料；

预测过程为：首先获取染料溶液中的染料分子的构象，然后先后利用量子化学程序结合半经验级别的量子化学方法和量子化学程序结合DFT级别的量子化学方法在隐式溶剂模型下对构象进行优化，最后根据优化后的构象的玻尔兹曼分布比例绘制构象权重平均光谱得到紫外-可见吸收光谱；

DFT级别的量子化学方法所配合使用的基组为3-zeta或者2-zeta加弥散的基组；

所述量子化学程序为Gaussian、ORCA、MOPAC和GAMESS-US中的一种；所述半经验级别的量子化学方法为PM7、PM6-D3H4、PM6-D3和PM6-DH+中的一种；所述DFT级别的量子化学方法为B97-3c、PBEh-3c、PW6B95-D3、M06-2X-D3、ωB97XD和B3LYP-D3中的一种；

所述隐式溶剂模型为PCM、COSMO、CPCM和SMD中的一种；

所述3-zeta或者2-zeta加弥散的基组为6-311G**、6-31+G**、6-311+G**、ma-def2-SVP、def2-TZVP和def2-QZVPP中的一种；

预测步骤如下：

(1)使用3D分子绘图软件画出染料分子结构，获得三维坐标；

(2)将含有染料分子三维坐标的文件导入到分子动力学模拟程序中，构建染料分子在有机小分子力场下的拓扑和结构文件；

(3)利用结构文件构建染料水溶液模型，根据拓扑的参数定义模型中每个分子的相互作用，后使用周期性退火的方法获得染料分子在25℃下水溶液中的m个构象；

(4)利用量子化学程序结合半经验级别的量子化学方法在隐式溶剂模型下对所有构象进行初步优化，并按照能量大小进行排序；

(5)取能量最低的前n个构象，利用量子化学程序结合DFT级别的量子化学方法在隐式溶剂模型下对这些构象进行深度优化；

(6)计算每种构象在25℃的温度条件下的玻尔兹曼分布比例；

(7)利用量子化学程序结合含时密度泛函级别的方法、含有35％～50％HF成分的密度泛函方法和3-zeta或者2-zeta加弥散的基组在隐式溶剂模型下计算玻尔兹曼分布比例非0的构象的激发态电子信息；

(8)根据玻尔兹曼分布比例和每个构象的激发态电子信息使用Multiwfn程序绘制构象权重平均光谱，即得紫外-可见吸收光谱；

m>n，当染料原子数小于等于50时，m＝50～100，n＝5～10；当50<染料原子数≤100时，m＝100～200，n＝10～15；当100<染料原子数≤200时，m＝200～300，n＝15～20；当染料原子数>200时，m＝300～500，n＝20～50。

2.根据权利要求1所述的染料的筛选方法，其特征在于，所述染料的结构为偶氮类或蒽醌类，类型为活性染料，颜色覆盖整个可见光波段；

预测得到的紫外-可见吸收光谱与测试得到的紫外-可见吸收光谱最大吸收波长差值的绝对值小于等于8nm。

3.根据权利要求1所述的染料的筛选方法，其特征在于，所述分子动力学模拟程序为Amber、Gromacs、Lammps、NAMD和Materials Studio中的一种；

所述有机小分子力场为GAFF、GAFF2、OPLS、CgenFF和COMPASS中的一种。

4.根据权利要求1所述的染料的筛选方法，其特征在于，所述周期性退火的退火周期时间为100～500ps，退火温度范围为25～100℃。

5.根据权利要求1所述的染料的筛选方法，其特征在于，所述含时密度泛函级别的方法为TD-DFT、sTDA和sTDDFT中的一种；所述含有35％～50％HF成分的密度泛函方法为PBE38、mPW1K、BB1K、BMK、MPW1K、MPWB1K、MN15、PWB6K、BHANDHLYP和M06-2X中的一种。

说明书

染料的筛选方法

技术领域

[0001] 本发明属于染料技术领域，涉及染料的筛选方法，特别涉及一种在染料设计过程中基于计算化学方法根据染料结构设计预测其颜色进而进行筛选的方法。

背景技术

[0002] 染料是指能使其他物质获得鲜明而牢固色泽的一类有机化合物，其属于精细化学品，主要应用于纺织印染行业。由于现在使用的染料多都是人工合成的，所以也称为合成染料。随着人们物质生活水平的提高，人们对色彩提出了更高的要求，这也对染料的设计及筛选提出了更高的要求。目前染料的筛选都是在合成染料后配置成染料溶液，对溶液进行测试得到其色度范围。虽然这种筛选方法能够切实准确的反映染料的实际特征，但其耗时较长，成本较高，会给新染料的开发工作带来一定的困难。

[0003] 近年来，随着计算化学领域的迅速发展和计算机运算能力的大幅提高，使得使用计算化学方法对染料进行筛选成为了可能。由于染料分子的特定分子结构(原子数较多、具有共轭结构)，密度泛函和含时密度泛函理论方法的提出及发展为直接基于染料的结构得到其激发态光谱提供了可能。但根据密度泛函和含时密度泛函理论方法得出的紫外-可见吸收光谱存在准确性不高和普适性不好的问题，计算模拟的结果并不能能真实准确的反映染料的实际特征。

[0004] 因此，开发一种准确性和普适性好的基于计算化学方法的染料的筛选方法极具现实意义。

发明内容

[0005] 本发明的目的是克服现有技术准确性及普适性较差的缺陷，提供一种准确性和普适性好的基于计算化学方法的染料的筛选方法。

[0006] 为达到上述目的，本发明采用的技术方案如下：

[0007] 染料的筛选方法，设计染料结构后，预测染料溶液的紫外-可见吸收光谱，并由其确定染料的颜色，再筛选出颜色满足要求的染料；

[0008] 预测过程为：首先获取染料溶液中的染料分子的构象，然后先后利用量子化学程序结合半经验级别的量子化学方法和量子化学程序结合DFT级别的量子化学方法在隐式溶剂模型下对构象进行优化，最后根据优化后的构象的玻尔兹曼分布比例绘制构象权重平均光谱得到紫外-可见吸收光谱；

[0009] DFT级别的量子化学方法所配合使用的基组为3-zeta或者2-zeta加弥散的基组。

[0010] 本发明通过前后两次对构象进行优化，进而提高了由染料结构预测所得紫外-可见吸收光谱的准确性，本发明的首次优化是利用量子化学程序结合半经验级别的量子化学方法进行的，后续优化是利用量子化学程序结合DFT级别的量子化学方法进行的，先结合半经验级别的量子化学方法再结合DFT级别的量子化学方法而不是一次性结合二者的原因在于，半经验方法可以减少前期构象筛查耗时成本，DFT级别方法能够在前者的基础上提高精度，本发明的半经验级别的量子化学方法和DFT级别的量子化学方法考虑了色散校正即分子间的弱相互作用，其提高了染料分子构象的准确性及普适性，此外，因为想要预测的是染料水溶液的可见吸收光谱，为了更好的与实际相对应，本发明的优化均是在隐式溶剂模型下进行的，本发明的DFT级别的量子化学方法所配合使用的基组为3-zeta或者2-zeta加弥散的基组，配合使用的基组采用3-zeta或者2-zeta加弥散的基组，是因为计算的是染料阴离子，电子比较弥散，使用2-zeta加弥散的基组可以提高精度，而3-zeta加弥散的基组本身就可以较好地优化构象。本发明通过以上各条件的相互配合显著提高了对染料分子构象的准确度，进而得到了准确度更高的紫外-可见吸收光谱，通过光谱能更准确的反映染料的特征，以方便技术人员对染料进行筛选，提高对染料的筛选精度，同时以上各条件的相互配合显著提高了本发明筛选方法的普适性，使得本发明的筛选方法可适用于多种结构多种类型的染料。

[0011] 作为优选的技术方案：

[0012] 如上所述的染料的筛选方法，所述染料的结构为偶氮类或蒽醌类，类型为活性染料，本发明的保护范围不限于此，类型还可以为直接染料、酸性染料或阳离子染料，颜色覆盖整个可见光波段；本发明的筛选方法可适用于多种结构多种类型的染料，其普适性好；

[0013] 预测得到的紫外-可见吸收光谱与测试得到的紫外-可见吸收光谱最大吸收波长差值的绝对值小于等于8nm，本发明的筛选方法的准确性高。

[0014] 如上所述的染料的筛选方法，所述量子化学程序为Gaussian、ORCA、MOPAC和GAMESS-US中的一种，优选为ORCA；所述半经验级别的量子化学方法为PM7、PM6-D3H4、PM6-D3和PM6-DH+中的一种，优选为PM6-D3H4；所述DFT级别的量子化学方法为B97-3c、PBEh-3c、PW6B95-D3、M06-2X-D3、ωB97XD和B3LYP-D3中的一种，优选为B97-3c。

[0015] 如上所述的染料的筛选方法，所述隐式溶剂模型为PCM、COSMO、CPCM和SMD中的一种，优选为SMD。

[0016] 如上所述的染料的筛选方法，所述3-zeta或者2-zeta加弥散的基组为6-311G**、6-31+G**、6-311+G**、ma-def2-SVP、def2-TZVP中的一种，优选为def2-TZVP。

[0017] 如上所述的染料的筛选方法，预测步骤如下：

[0018] (1)使用3D分子绘图软件画出染料分子结构，获得三维坐标；

[0019] (2)将含有染料分子三维坐标的文件导入到分子动力学模拟程序中，构建染料分子在有机小分子力场下的拓扑和结构文件；

[0020] (3)利用结构文件构建染料水溶液模型，根据拓扑的参数定义模型中每个分子的相互作用，后使用周期性退火的方法获得染料分子在25℃下水溶液中的m个构象；

[0021] (4)利用量子化学程序结合半经验级别的量子化学方法在隐式溶剂模型下对所有构象进行初步优化，并按照能量大小进行排序；

[0022] (5)取能量最低的前n个构象，利用量子化学程序结合DFT级别的量子化学方法在隐式溶剂模型下对这些构象进行深度优化；

[0023] (6)计算每种构象在25℃的温度条件下的玻尔兹曼分布比例；

[0024] (7)利用量子化学程序结合近似的含时密度泛函的方法、含有35％～50％HF成分的密度泛函方法和3-zeta或者2-zeta加弥散的基组在隐式溶剂模型下计算玻尔兹曼分布比例非0的构象的激发态电子信息；近似的含时密度泛函的方法是在35％～50％HF成分的密度泛函方法和3-zeta或者2-zeta加弥散的基组所计算出的分子基态信息的基础上，通过近似的方法构建激发态信息，活性染料大多原子数超过50个，利用近似密度泛函的方法可以大大减少耗时；

[0025] (8)根据玻尔兹曼分布比例和每个构象的激发态电子信息使用Multiwfn程序绘制构象权重平均光谱，即得紫外-可见吸收光谱；

[0026] m>n，当染料原子数小于等于50时，m＝50～100，n＝5～10；当50<染料原子数≤100时，m＝100～200，n＝10～15；当100<染料原子数≤200时，m＝200～300，n＝15～20；当染料原子数>200时，m＝300～500，n＝20～50。

[0027] 如上所述的染料的筛选方法，所述分子动力学模拟程序为Amber、Gromacs、Lammps、NAMD和Materials Studio中的一种，优选地，步骤(2)选用的程序(用于获得力场下的拓扑和结构)为Amber，步骤(3)选用的程序(用于周期性退火)为Gromacs；

[0028] 所述有机小分子力场为GAFF、GAFF2、OPLS、CgenFF和COMPASS中的一种，优选为GAFF2。

[0029] 如上所述的染料的筛选方法，所述周期性退火的退火周期时间为100～500ps，退火温度范围为25～100℃，即从25℃升温至100℃再降回25℃，如此往复。

[0030] 如上所述的染料的筛选方法，所述含时密度泛函级别的方法为sTDA和sTDDFT中的一种，优选为sTDA；所述含有35％～50％HF成分的密度泛函方法为PBE38、mPW1K、BB1K、BMK、MPW1K、MPWB1K、MN15、PWB6K、BHANDHLYP和M06-2X中的一种，优选为BHANDHLYP。

[0031] 发明机理：

[0032] 本发明通过预测染料的颜色实现了在设计染料结构后快速筛选出所需的染料，其中预测染料的颜色的过程为：先预测染料溶液的紫外-可见吸收光谱，再由紫外-可见吸收光谱确定染料的颜色，预测染料溶液的紫外-可见吸收光谱的过程为：首先获取染料溶液中的染料分子的构象，然后先后利用量子化学程序结合半经验级别的量子化学方法和量子化学程序结合DFT级别的量子化学方法在隐式溶剂模型下对构象进行优化，最后根据优化后的构象的玻尔兹曼分布比例绘制构象权重平均光谱得到紫外-可见吸收光谱，其中，本发明通过前后两次对构象进行优化，进而提高了由染料结构预测所得紫外-可见吸收光谱的准确性，本发明的首次优化是利用量子化学程序结合半经验级别的量子化学方法进行的，后续优化是利用量子化学程序结合DFT级别的量子化学方法进行的，先结合半经验级别的量子化学方法再结合DFT级别的量子化学方法而不是一次性结合二者的原因在于，半经验方法可以减少前期构象筛查耗时成本，DFT级别方法在前者的基础上提高精度，本发明的半经验级别的量子化学方法和DFT级别的量子化学方法考虑了色散校正即分子间的弱相互作用，其提高了染料分子构象的准确性及普适性，此外，因为想要预测的是染料水溶液的可见吸收光谱，为了更好的与实际相对应，本发明的优化均是在隐式溶剂模型下进行的，本发明的DFT级别的量子化学方法所配合使用的基组为3-zeta或者2-zeta加弥散的基组，配合使用的基组采用3-zeta或者2-zeta加弥散的基组，是因为计算的是染料阴离子，电子比较弥散，使用2-zeta加弥散的基组可以提高精度，而3-zeta加弥散的基组本身就可以较好的优化构象。本发明通过以上各条件的相互配合显著提高了对染料分子构象的准确度，进而得到了准确度更高的紫外-可见吸收光谱，通过光谱能更准确的反映染料的特征，以方便技术人员对染料进行筛选，提高对染料的筛选精度，同时以上各条件的相互配合显著提高了本发明筛选方法的普适性，使得本发明的筛选方法可适用于多种结构多种类型的染料。

[0033] 有益效果

[0034] (1)本发明的染料的筛选方法，普适性好，可适用于多种结构多种类型的染料；

[0035] (2)本发明的染料的筛选方法，无需制备染料，就能够得到准确的紫外-可见吸收光谱，精准地反映染料的特征，大大降低了染料的开发成本，同时大大节省了物料，环保高效，应用前景好。

附图说明

[0036] 图1是本发明根据染料结构预测染料溶液的紫外-可见吸收光谱的流程示意图；

[0037] 图2是本发明实施例1预测得到染料溶液的紫外可见吸收光谱与实验测得染料溶液的紫外可见吸收光谱的对比图；

[0038] 图3是本发明实施例2预测得到染料溶液的紫外可见吸收光谱与实验测得染料溶液的紫外可见吸收光谱的对比图；

[0039] 图4是本发明实施例3预测得到染料溶液的紫外可见吸收光谱与实验测得染料溶液的紫外可见吸收光谱的对比图；

[0040] 图5是本发明实施例4预测得到染料溶液的紫外可见吸收光谱与测得染料溶液的紫外可见吸收光谱的对比图。

[0041] 具体实施方法

[0042] 下面结合具体实施方法，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

[0043] 实施例1

[0044] 本发明的一种染料的筛选方法，具体步骤如下：

[0045] (1)根据染料结构预测染料溶液的紫外-可见吸收光谱，其基本步骤如图1所示；

[0046] (1.1)使用3D分子绘图软件画出活性蓝49分子结构，获得三维坐标；

[0047] (1.2)将含有活性蓝49分子三维坐标的文件导入到分子动力学模拟程序Amber中，构建染料分子在有机小分子力场GAFF2下的拓扑和结构文件；

[0048] (1.3)利用结构文件构建活性蓝49水溶液模型，根据拓扑的参数定义模型中每个分子的相互作用，再转化成Gromacs程序可操作的文件后使用周期性退火的方法获得活性蓝49分子在25℃下浓度为20mg/L的水溶液中的100个构象，周期性退火的退火周期时间为100ps，退火温度范围为40～100℃；

[0049] (1.4)利用量子化学程序MOPAC结合半经验级别的量子化学方法PM7在隐式溶剂模型SMD下对所有构象进行初步优化，并按照能量大小进行排序；

[0050] (1.5)取能量最低的前10个构象，利用量子化学程序ORCA结合DFT级别的量子化学方法B97-3c在隐式溶剂模型PCM下对这些构象进行深度优化，DFT级别的量子化学方法所配合使用的基组为def2-TZVP；

[0051] (1.6)计算每种构象在25℃的温度条件下的玻尔兹曼分布比例；

[0052] (1.7)利用量子化学程序ORCA结合含时密度泛函级别的方法sTDA、含有35％～50％HF成分的密度泛函方法BHANDHLYP和def2-TZVP在隐式溶剂模型SMD下计算玻尔兹曼分布比例非0的构象的激发态电子信息；

[0053] (1.8)根据玻尔兹曼分布比例和每个构象的激发态电子信息使用Multiwfn程序绘制构象权重平均光谱，即得紫外-可见吸收光谱；

[0054] (2)根据紫外-可见吸收光谱确定染料的颜色，再筛选出颜色满足要求的染料。

[0055] 配置浓度为20mg/L的活性蓝49水溶液后测试其紫外-可见吸收光谱，测试所得紫外-可见吸收光谱与通过程序计算绘制的紫外-可见吸收光谱的对比示意图如图2所示，图中实线为通过程序计算绘制的紫外-可见吸收光谱，虚线为测试所得紫外-可见吸收光谱，由图中可以看出两者最大吸收波长差值的绝对值为1nm。

[0056] 实施例2

[0057] 本发明的一种染料的筛选方法，具体步骤如下：

[0058] (1)根据染料结构预测染料溶液的紫外-可见吸收光谱；

[0059] (1.1)使用3D分子绘图软件画出活性橙5分子结构，获得三维坐标；

[0060] (1.2)将含有活性橙5分子三维坐标的文件导入到分子动力学模拟程序Amber中，构建染料分子在有机小分子力场GAFF2下的拓扑和结构文件；

[0061] (1.3)利用结构文件构建活性橙5水溶液模型，根据拓扑的参数定义模型中每个分子的相互作用，再转化成Gromacs程序可操作的文件后使用周期性退火的方法获得活性橙5分子在25℃下浓度为20mg/L的水溶液中的150个构象，周期性退火的退火周期时间为500ps，退火温度范围为25～30℃；

[0062] (1.4)利用量子化学程序MOPAC结合半经验级别的量子化学方法PM6-D3H4在隐式溶剂模型SMD下对所有构象进行初步优化，并按照能量大小进行排序；

[0063] (1.5)取能量最低的前15个构象，利用量子化学程序ORCA结合DFT级别的量子化学方法B97-3c在隐式溶剂模型COSMO下对这些构象进行深度优化，DFT级别的量子化学方法所配合使用的基组为def2-TZVP；

[0064] (1.6)计算每种构象在25℃的温度条件下的玻尔兹曼分布比例；

[0065] (1.7)利用量子化学程序ORCA结合含时密度泛函级别的方法sTDA、含有35％～50％HF成分的密度泛函方法BHANDHLYP和def2-TZVP在隐式溶剂模型SMD下计算玻尔兹曼分布比例非0的构象的激发态电子信息；

[0066] (1.8)根据玻尔兹曼分布比例和每个构象的激发态电子信息使用Multiwfn程序绘制构象权重平均光谱，即得紫外-可见吸收光谱；

[0067] (2)根据紫外-可见吸收光谱确定染料的颜色，再筛选出颜色满足要求的染料。

[0068] 配置浓度为20mg/L的活性橙5水溶液后测试其紫外-可见吸收光谱，测试所得紫外-可见吸收光谱与通过程序计算绘制的紫外-可见吸收光谱的对比示意图如图3所示，图中实线为通过程序计算绘制的紫外-可见吸收光谱，虚线为测试所得紫外-可见吸收光谱，由图中可以看出两者最大吸收波长差值的绝对值为4nm。

[0069] 实施例3

[0070] 本发明的一种染料的筛选方法，具体步骤如下：

[0071] (1)根据染料结构预测染料溶液的紫外-可见吸收光谱；

[0072] (1.1)使用3D分子绘图软件画出活性蓝19分子结构，获得三维坐标；

[0073] (1.2)将含有活性蓝19分子三维坐标的文件导入到分子动力学模拟程序Amber中，构建染料分子在有机小分子力场GAFF2下的拓扑和结构文件；

[0074] (1.3)利用结构文件构建活性蓝19水溶液模型，根据拓扑的参数定义模型中每个分子的相互作用，再转化成Gromacs程序可操作的文件后使用周期性退火的方法获得活性蓝19分子在25℃下浓度为20mg/L的水溶液中的200个构象，周期性退火的退火周期时间为300ps，退火温度范围为30～50℃；

[0075] (1.4)利用量子化学程序MOPAC结合半经验级别的量子化学方法PM6-D3在隐式溶剂模型CPCM下对所有构象进行初步优化，并按照能量大小进行排序；

[0076] (1.5)取能量最低的前20个构象，利用量子化学程序ORCA结合DFT级别的量子化学方法B97-3c在隐式溶剂模型SMD下对这些构象进行深度优化，DFT级别的量子化学方法所配合使用的基组为def2-TZVP；

[0077] (1.6)计算每种构象在25℃的温度条件下的玻尔兹曼分布比例；

[0078] (1.7)利用量子化学程序ORCA结合含时密度泛函级别的方法sTDA、含有35％～50％HF成分的密度泛函方法BHANDHLYP和def2-TZVP在隐式溶剂模型SMD下计算玻尔兹曼分布比例非0的构象的激发态电子信息；

[0079] (1.8)根据玻尔兹曼分布比例和每个构象的激发态电子信息使用Multiwfn程序绘制构象权重平均光谱，即得紫外-可见吸收光谱；

[0080] (2)根据紫外-可见吸收光谱确定染料的颜色，再筛选出颜色满足要求的染料。

[0081] 配置浓度为20mg/L的活性蓝19水溶液后测试其紫外-可见吸收光谱，测试所得紫外-可见吸收光谱与通过程序计算绘制的紫外-可见吸收光谱的对比示意图如图4所示，图中实线为通过程序计算绘制的紫外-可见吸收光谱，虚线为测试所得紫外-可见吸收光谱，由图中可以看出两者最大吸收波长差值的绝对值为8nm。

[0082] 实施例4

[0083] 本发明的一种染料的筛选方法，具体步骤如下：

[0084] (1)根据染料结构预测染料溶液的紫外-可见吸收光谱，其基本步骤如图1所示；

[0085] (1.1)使用3D分子绘图软件画出活性橙107分子结构，获得三维坐标；

[0086] (1.2)将含有活性橙107分子三维坐标的文件导入到分子动力学模拟程序Amber中，构建染料分子在有机小分子力场GAFF2下的拓扑和结构文件；

[0087] (1.3)利用结构文件构建活性橙107水溶液模型，根据拓扑的参数定义模型中每个分子的相互作用，再转化成Gromacs程序可操作的文件后使用周期性退火的方法获得活性橙107分子在25℃下浓度为20mg/L的水溶液中的250个构象，周期性退火的退火周期时间为400ps，退火温度范围为60～90℃；

[0088] (1.4)利用量子化学程序MOPAC结合半经验级别的量子化学方法PM6-DH+在隐式溶剂模型SMD下对所有构象进行初步优化，并按照能量大小进行排序；

[0089] (1.5)取能量最低的前25个构象，利用量子化学程序ORCA结合DFT级别的量子化学方法B97-3c在隐式溶剂模型SMD下对这些构象进行深度优化，DFT级别的量子化学方法所配合使用的基组为def2-TZVP；

[0090] (1.6)计算每种构象在25℃的温度条件下的玻尔兹曼分布比例；

[0091] (1.7)利用量子化学程序ORCA结合含时密度泛函级别的方法sTDA、含有35％～50％HF成分的密度泛函方法BHANDHLYP和def2-TZVP在隐式溶剂模型SMD下计算玻尔兹曼分布比例非0的构象的激发态电子信息；

[0092] (1.8)根据玻尔兹曼分布比例和每个构象的激发态电子信息使用Multiwfn程序绘制构象权重平均光谱，即得紫外-可见吸收光谱；

[0093] (2)根据紫外-可见吸收光谱确定染料的颜色，再筛选出颜色满足要求的染料。

[0094] 配置浓度为20mg/L的活性橙107水溶液后测试其紫外-可见吸收光谱，测试所得紫外-可见吸收光谱与通过程序计算绘制的紫外-可见吸收光谱的对比示意图如图5所示，图中实线为通过程序计算绘制的紫外-可见吸收光谱，虚线为测试所得紫外-可见吸收光谱，由图中可以看出两者最大吸收波长差值的绝对值为5nm。

[0095] 实施例5～14

[0096] 一种染料的筛选方法，其具体步骤与实施例1基本相同，不同之处在于m、n、分子动力学模拟程序、DFT级别的量子化学方法、3-zeta或者2-zeta加弥散的基组、有机小分子力场、含有35％～50％HF成分的密度泛函方法以及测试所得紫外-可见吸收光谱与通过程序计算绘制的紫外-可见吸收光谱的最大吸收波长差值的绝对值(nm)，具体见下表，表中A为含有35％～50％HF成分的密度泛函方法，B为测试所得紫外-可见吸收光谱与通过程序计算绘制的紫外-可见吸收光谱的最大吸收波长差值的绝对值。

[0097]

[0098]

[0099]