永遠の化学物質であるペルフルオロアルキル物質およびポリフルオロアルキル物質（PFAS）の分解関連特性のスクリーニングのためのMLワークフロー

科学分野:

• 環境化学
• 計算化学
• 材料科学

背景:

• ペルフルオロアルキル物質およびポリフルオロアルキル物質（PFAS）は、新しい修復戦略を必要とする永続的な環境汚染物質です。
• PFASの広範な化学的多様性は、分解関連の分子特性を特定するための従来の विधियों を妨げます。
• PFAS分解の合理的な設計には、結合解離エネルギー、分極率、および熱力学的安定性の正確な予測が不可欠です。

研究 の 目的:

• 分解に関連するPFASの重要な分子特性を予測するための物理情報に基づいた機械学習（ML）モデルを開発すること。
• 分子の特徴と分解特性を結び付ける堅牢な構造-特性関係を確立すること。
• PFASの修復努力のための迅速なハイスループットスクリーニングを可能にすること。

主な方法:

• 主成分分析（PCA）およびガウス過程回帰（GPR）を介して、グローバルプロパティ（分極率、安定性）のために空間情報に基づいた特徴（3D電子密度パターン）を利用しました。
• グラフベースのスキームおよびランダムフォレスト（RF）アルゴリズムを使用して、トポロジカル特徴（原子接続性）をローカルプロパティ（結合解離エネルギー）に採用しました。
• 複数のデータセットにわたってMLモデルのパフォーマンスを検証し、高い予測精度（分極率でR²≈0.92、エンタルピーでR²≈0.97、BDEでR²≈0.87）を達成しました。

主要な成果:

• PFASの特性に対する強力な予測能力を示す2つの異なるMLワークフローを開発しました。
• PFASの堅牢な定量的構造-特性関係（QSPR）を確立しました。
• 分極率、熱力学的安定性（エンタルピー）、および結合解離エネルギーに対して高い予測精度を達成しました。

結論:

• 物理情報に基づいたMLモデルは、PFASの分解関連特性を予測するための強力なアプローチを提供します。
• これらのモデルは、修復のための候補PFAS分子および結合モチーフの迅速なスクリーニングと優先順位付けを容易にします。
• PFAS修復技術の効果的な開発を加速するための基盤となる機能を提供します。