Predicciones de mejora de Photo-CIDNP en estado estacionario mediante el aprendizaje automático

Área de la Ciencia:

• Espectroscopia de resonancia magnética nuclear (RMN)
• Técnicas de hiperpolarización
• Química computacional

Sus antecedentes:

• La polarización nuclear dinámica inducida fotoquímicamente (CIDNP) mejora la sensibilidad de la señal de RMN.
• Existen limitaciones actuales en la predicción de la mejora de la foto-CIDNP en estado estacionario, lo que requiere una amplia selección experimental.
• El desarrollo de modelos predictivos es crucial para la identificación eficiente de moléculas objetivo adecuadas.

Objetivo del estudio:

• Explorar la aplicación del aprendizaje automático para predecir la mejora de la señal al ruido (SNE) de la foto-CIDNP en estado estacionario.
• Identificar las características moleculares clave que se correlacionan con la mejora de la foto-CIDNP.
• Para permitir la preselección virtual de las bibliotecas compuestas para aplicaciones de foto-CIDNP.

Principales métodos:

• Medición de la SNE foto-CIDNP en estado de equilibrio para 40 derivados (indole, aminoácido, fenol).
• Correlación del SN experimental con ocho características moleculares.
• Desarrollo y evaluación de modelos de aprendizaje automático (regresión logística, CatBoost Regressor, K-Nearest Neighbors).

Principales resultados:

• El índice nucleófilo de Fukui fue identificado como un predictor cualitativo clave del SNE máximo.
• Un modelo de regresión logística logró una precisión del 100% en la identificación de sitios con alta mejora (SNE > 90).
• CatBoost Regressor y K-Nearest Neighbors demostraron un rendimiento superior en la predicción cuantitativa de los PNEs.

Conclusiones:

• Los modelos de aprendizaje automático muestran un potencial significativo para predecir el SNE foto-CIDNP.
• Este enfoque puede agilizar la identificación de moléculas para experimentos de hiperpolarización.
• La preselección virtual utilizando ML puede acelerar la investigación en la espectroscopia de RMN.