基于高斯过程回归的近红外d-luciferin模拟设计,使用基于突变控制的图形遗传算法.

科学领域:

• 化学信息学 化学信息学
• 计算化学的计算化学
• 药物发现 药物发现 药物发现

背景情况:

• 分子发现在化学信息学中至关重要,但在小型数据集上通过机器学习优化分子特性仍然具有挑战性.
• 当有限的化合物数据库可用时,现有的方法在高效的分子设计方面扎.

研究的目的:

• 开发一个高效的分子设计方法,优化用于小型数据库.
• 通过使用遗传算法,提高分子设计中的优化能力和融合速度.

主要方法:

• 开发了一种结合高斯过程回归和基于图形的遗传算法 (GB-GA) 的新型分子设计方法.
• 为了提高效率,在GB-GA中引入了突变概率控制和参数减少.
• 积极学习和代设计被用于生成特定目标的数据库.

主要成果:

• 与传统方法相比,拟议的GB-GA方法在优化目标属性方面表现出更高的效率.
• 该方案有效地加快了对最佳解决方案的融合,即使是小数据集.
• 在生物成像应用中,成功设计了具有近红外光的D-路西费林类似物.

结论:

• 开发的分子设计策略为优化来自小型数据库的分子特性提供了有效的解决方案.