通过分子动力学和机器学习预测有机化合物对石墨烯和黑的吸附
Lihao Su1, Zhongyu Wang1, Ya Wang1
1Key Laboratory of Industrial Ecology and Environmental Engineering (Ministry of Education), Dalian Key Laboratory on Chemicals Risk Control and Pollution Prevention Technology, School of Environmental Science and Technology, Dalian University of Technology, Dalian, 116024, China.
Environmental science and pollution research international
|September 27, 2023
概括
预测有机化学物质对纳米材料的吸附对于环境安全至关重要. 这项研究使用分子动力学模拟开发了机器学习模型,为预测吸附常数的实验提供了更快,更广泛的替代方案.
科学领域:
- 环境化学环境化学
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
背景情况:
- 工程纳米材料 (ENM) 的使用越来越多,导致环境释放.
- 有机化学物质对ENM的吸附会影响它们的环境命运和毒性.
- 吸附常数的实验性确定是耗时且昂贵的.
研究的目的:
- 评估分子动力学 (MD) 方法来计算吸附平衡常量 (K).
- 开发机器学习 (ML) 模型,用于预测K的有机物质对石墨烯和黑的吸附.
- 为预测吸附数据提供一种更有效,更广泛的方法.
主要方法:
- 通过对石墨烯上有机物的计算和实验K值进行比较,评估了MD方法.
- 使用MD模拟数据构建了ML模型 (Lasso,SVM,RF,KNN,GBDT).
- 在机器学习模型中利用Mordred描述符来进行特征工程.
主要成果:
- 选择的MD方法准确地复制了实验性吸附数据.
- 基于Mordred描述器的Lasso模型实现了高预测精度 (Q2>0.90),优于其他ML模型.
- 与传统的多参数线性自由能量关系模型相比,拉索模型显示出更高的性能.
结论:
- 与ML相结合的MD模拟提供了一个可靠的方法来预测吸附常数.
- 由于考虑不同的有机化合物,开发的拉索模型提供了更广泛的适用性.
- 这项研究提出了一个有前途的策略,以解决ENM上化学吸附的数据缺口.
