トリフルオロメチル化試薬の反応性を予測するための解釈可能な機械学習フレームワーク

科学分野:

• 有機化学
• 計算化学
• 医薬品化学

背景:

• トリフルオロメチル基は、医薬品、農薬、材料において重要です。
• トリフルオロメチルカチオン供与能（TC+DA）によるトリフルオロメチル化試薬の反応性の定量化は不可欠です。
• 従来のTC+DA決定は、計算集約的なDFT計算を使用します。

研究 の 目的:

• TC+DAを予測するための機械学習（ML）ベースの定量的構造-特性関係（QSPR）フレームワークを開発する。
• 新規求電子性トリフルオロメチル化試薬の迅速なスクリーニングと設計を可能にする。

主な方法:

• Mordredを使用して1826の分子記述子を生成しました。
• 特徴量を249の記述子に削減しました。
• ニューラルネットワーク（NN）およびエクストラツリーズ（ET）を含む様々なMLアルゴリズムをトレーニングおよび比較しました。

主要な成果:

• NNとETが最も効果的なMLモデルであると特定されました。
• わずか5つの主要な記述子で高い予測精度が得られることがわかりました。
• 最適化されたNNモデルは、テストセットでR² = 0.956およびRMSE = 3.43を達成しました。
• 超原子価ヨウ素試薬は、二峰性のTC+DA分布のために予測上の課題を提示しました。

結論:

• MLベースのQSPRモデルは、TC+DAを予測するためのDFTの効率的で正確かつ解釈可能な代替案を提供します。
• このフレームワークは、新しいトリフルオロメチル化試薬の加速された発見と開発を容易にします。