通过从原子力显微镜图像中提取分子指纹来进行分子识别

科学领域:

• 化学物理 化学物理
• 计算化学的计算化学
• 材料科学 材料科学 材料科学

背景情况:

• 高分辨率原子力显微镜 (HR-AFM) 与CO功能化的尖端为成像分子结构提供了前所未有的分辨率.
• 深度学习 (DL) 模型已经显示出从HR-AFM图像中提取分子识别的化学和结构信息的潜力.
• 以前的DL方法使用了人类直观的描述符,这些描述符对于神经网络的性能来说是次优的.

研究的目的:

• 开发一种新的DL模型,用于从HR-AFM图像中使用优化的拓指纹进行分子识别.
• 与现有方法相比,提高分子识别的准确性和可靠性.
• 评估将这种方法应用于实验HR-AFM数据的可行性.

主要方法:

• 使用 1024 位扩展连接 半径为 2 的化学指纹 (ECFP4) 作为分子描述符.
• 开发了一个DL模型,从3DHR-AFM图像堆中提取ECFP4.
• 基于预测的ECFP4.4进行分子识别的虚拟选.
• 整合了第二个DL模型,用于从HR-AFM数据中预测化学公式,以补充ECFP4信息.
• 分配Tanimoto相似度得分以量化识别的信心.

主要成果:

• 在DL模型中,使用从理论HR-AFM图像中预测的ECFP4来实现95.4%的分子识别检索准确度.
• 将ECFP4预测与化学配方预测相结合,将识别精度提高到97.6%.
• 该模型为每个识别提供了一个信心分数 (Tanimoto相似性).
• 实验性HR-AFM图像的初步测试显示出有希望的结果.

结论:

• 拟议的方法有效地从HR-AFM图像中提取ECFP4指纹,以进行精确的分子识别.
• 将基于指纹的识别与化学配方预测相结合,可显著提高准确性.
• 这种方法提供了一种可靠和自信的方法,用于从AFM数据中进行分子识别.
• 这些发现支持这种管道在现实世界实验条件下的潜在应用.