機械学習によるステイシーステートフォトCIDNP強化の予測

科学分野:

• 核磁共振 (NMR) スペクトロスコーピー
• ハイパーポラライゼーション技術
• コンピュータ化学

背景:

• 光化学的に誘発されたダイナミック核極化 (光CIDNP) は,NMR信号の感受性を高めます.
• 安定状態の光CIDNP強化を予測する現在の限界は,広範な実験的なスクリーニングを必要とします.
• 予測モデルの開発は,適切な標的分子の効率的な識別に不可欠です.

研究 の 目的:

• 静止状態の写真CIDNP信号対ノイズ強化 (SNE) の予測のための機械学習の適用を調査する.
• フォトCIDNP強化と相関する重要な分子特性を特定する.
• フォトCIDNPアプリケーションのための複合ライブラリの仮想プリスクリーニングを可能にします.

主な方法:

• 40の誘導体 (インドール,アミノ酸,フェノール) の安定状態の光CIDNP SNEの測定
• 8つの分子特性の実験SNEの相関
• 機械学習モデルの開発と評価 (Logistic Regression,CatBoost Regressor,K-Nearest Neighbors)

主要な成果:

• 核愛性福井指数は,最大SNEの重要な質的予測因子として特定されました.
• ロジスティック・リグレッション・モデルは,高度な強化 (SNE > 90) を有するサイトを100%の精度で特定しました.
• CatBoost RegressorとK-Nearest Neighborsは,定量的なSNE予測において優れたパフォーマンスを示した.

結論:

• 機械学習モデルは,フォトCIDNP SNEを予測する大きな可能性を示しています.
• このアプローチは,超極化実験の分子識別を簡素化することができます.
• MLを用いた仮想予検は,NMRスペクトロスコーピーの研究を加速させることができます.