建模高能分子和选,以找到新的高能候选分子
Mazal Rachamim1, Abraham J Domb2, Amiram Goldblum1
1Molecular Modelling and Drug Design Lab, Institute for Drug Research and Fraunhofer Project Center for Drug Discovery and Delivery, Faculty of Medicine, The Hebrew University of Jerusalem, Jerusalem 91905, Israel.
ACS omega
|October 28, 2024
概括
代随机淘汰 (ISE) 算法有效地识别出新型高能材料 (HEM). 这种机器学习方法加速了用于各种应用的强效化合物的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 高能材料 (HEM) 对于军事和商业应用至关重要,因为它们释放的能量很大.
- 发现HEM的传统实验方法耗时且资源密集.
- 机器学习 (ML) 为加速识别新型高能化合物提供了一个有希望的途径.
研究的目的:
- 应用内部的代随机消除 (ISE) 算法来发现高能材料 (HEM).
- 通过分析物理化学性质,评估ISE在识别有力HEM候选者的有效性.
- 使用精细的ISE模型,选一个大型化学数据库寻找新型HEM.
主要方法:
- 开发和应用两个不同的代随机消除 (ISE) 模型 (模型A和模型B),包括已知的HEM和非HEM.
- 创建一个合并模型 (模型C),使用来自模型A和B的所有活性分子来增强预测能力.
- 从Enamine数据库中选大约200万个分子,使用模型C识别得分最高的HEM候选人.
主要成果:
- 模型A成功识别了模型B中的69%活性分子,其中62%获得了最高分数.
- 模型B从模型A中确定了80%的活性分子,其中61%获得了最高分数.
- 在261个活性分子上训练的模型C从Enamine数据库中确定了66个最高得分的新型HEM候选者,其中32%含有基.
结论:
- 代随机淘汰 (ISE) 算法显示出作为一种用于发现新型高能材料的计算工具的巨大潜力.
- 这种基于机器学习的方法为推进HEM研究提供了有效和可持续的途径.
- 这项研究验证了ISE在超越生物分子的分子发现方面的能力,特别是对于高能材料.
