使用深度学习分析关键细胞度预测的准确性
Alexander Moriarty1, Takeshi Kobayashi1, Matteo Salvalaglio1
1Department of Chemical Engineering, University College London, London WC1E 7JE, U.K.
Journal of chemical theory and computation
|October 10, 2023
概括
这项研究引入了一种新的图形神经网络 (GNN) 模型,以不确定性预测临界细胞度 (CMC). 与传统方法相比,GNN方法对各种表面活性剂类型的准确性有所提高.
科学领域:
- 计算化学的计算化学
- 物理化学 物理化学
- 材料科学 材料科学 材料科学
背景情况:
- 预测临界菌度 (CMC) 对表面活性剂应用至关重要.
- 现有的模型经常与各种表面活性剂化学和不确定性量化作斗争.
- 机器学习为改善CMC预测提供了潜力.
研究的目的:
- 开发一个新的计算模型来预测CMCs.
- 将不确定性估计纳入CMC预测中.
- 将新型模型的性能与既定方法进行比较.
主要方法:
- 使用与高斯过程 (GP) 集成的图形神经网络 (GNN).
- 为了预测,采用了分子的学习潜空间表示.
- 在一个包含非离子,阴离子,阴离子和离子表面活性剂的数据集上评估了模型.
- 与使用扩展连接指纹 (ECFP) 的线性模型进行性能比较.
主要成果:
- 基于GNN的模型表现出略高于线性ECFP模型的性能,具有足够,平衡的训练数据.
- 在更广泛的表面活性化学物质中,实现了与现有模型可比的预测准确性.
- 使用分子图形图表成功可视化了模型的适用性领域,以识别潜在的预测错误.
- 提供了对影响CMC值的分子性质的见解.
结论:
- 拟议的GNN-GP模型为CMC预测和不确定性量化提供了一个强大的方法.
- 该模型能够处理多种不同类型的表面活性剂,这提高了其实际适用性.
- 可视化工具有助于理解模型的局限性,并指导未来的研究.
