SpectraFP:一个新的基于光谱的描述符,用于帮助化学信息学,分子表征和搜索算法应用
Jefferson R Dias-Silva1, Vitor M Oliveira1, Flávio O Sanches-Neto1,2
1Instituto de Química, Universidade Federal de Goiás, Goiânia, Brazil. jrichardquimica@gmail.com.
我们开发了SpectraFP,这是一种新的算法,用于数字化光谱数据,如C NMR化学转移. 这可以通过机器学习模型准确预测功能组和高效的结构搜索.
科学领域:
- 光谱学和化学信息学
- 计算化学的计算化学
- 机器学习在化学中的应用
背景情况:
- 数字化光谱数据,特别是C NMR化学转移,对于计算化学和化学信息学至关重要.
- 现有的方法可能无法完全捕捉光谱数据的细微差别或纠正波动.
- 需要对光谱信息提供强大的,多功能描述器.
研究的目的:
- 介绍SpectraFP,一种基于光谱的新型描述器,用于数字化C NMR化学转移和其他光谱数据.
- 为了证明SpectraFP在使用机器学习 (ML) 模型预测函数组中的适用性.
- 开发一个结构搜索算法,利用 SpectraFP 对实验光谱进行相似性比较.
主要方法:
- 开发了SpectraFP算法,这是一种二进制指纹向量,旨在表示光谱数据.
- 构建和验证用于预测六个功能组的ML模型,遵守经合组织原则 (内部/外部验证,适用领域,机械解释).
- 使用各种指标 (Tanimoto,几何,算术,Tversky) 实现相似性搜索算法,并结合额外的参数.
主要成果:
- 功能组预测的ML模型显示了高的适合性 (MCC在0.626-0.917之间,J在0.812-0.961之间).
- SHAP分析证实,模型决策是机械可解释的,并与预期的化学转变保持一致.
- 类似性搜索算法表现出高性能速度和灵活性,并添加了额外的变量.
结论:
- SpectraFP是数字化光谱数据的宝贵工具,可以在化学信息学中实现强大的机器学习应用.
- 开发的ML模型和搜索算法显示了化学结构阐明和分析的巨大潜力.
- 数据库和算法的开源可用性促进了该领域的进一步研究和应用.
更多相关视频
07:11ARL Spectral Fitting as an Application to Augment Spectral Data via Franck-Condon Lineshape Analysis and Color Analysis
Published on: August 19, 2021
10:28Measuring Interactions of Globular and Filamentous Proteins by Nuclear Magnetic Resonance Spectroscopy NMR and Microscale Thermophoresis MST
Published on: November 2, 2018
相关概念视频
Applications of IR Spectroscopy: Overview
Mass Spectrometry: Aromatic Compound Fragmentation
Atomic Spectroscopy: Absorption, Emission, and Fluorescence
Mass Spectrometry: Complex Analysis
GC–MS is a powerful hyphenated method commonly used in forensics and environmental...
Spectrophotometry: Introduction
The essential components of a spectrophotometer include a source of electromagnetic radiation, a slot for placing a material to be analyzed, and a...
Mass Spectrometers
