NIRFluor:一个深度学习平台,用于快速选具有所需光学特性的小分子近红外光体
Xiaozhi Wang1, Hailong Wu1, Tong Wang1
1State Key Laboratory of Chemo/Biosensing and Chemometrics, College of Chemistry and Chemical Engineering, Hunan University, Changsha 410082, China.
Analytical chemistry
|January 17, 2025
概括
一个新的深度学习平台NIRFluor加速了用于疾病诊断的近红外 (NIR) 光体的设计. 它使用一种新的多任务图形卷积网络模型准确地预测关键的光学特性.
科学领域:
- 药用化学 医学化学
- 计算化学计算化学
- 生物技术是生物技术.
背景情况:
- 小分子近红外 (NIR) 光体是疾病诊断和早期检测的重要工具.
- 加快发现和设计具有特定光学特性的NIR光体对于推进生物医学应用至关重要.
- 目前用于选NIR光体的现有方法可能耗时且资源密集.
研究的目的:
- 开发一个深度学习平台,NIRFluor,用于快速选和设计小分子NIR光子.
- 创建一个新的深度学习模型,能够准确预测NIR光体的关键光学特性.
- 为研究人员提供可访问的基于Web的工具,以便他们利用开发的模型.
主要方法:
- 提出了新的混合指纹,将摩根指纹,物理化学特性和溶剂特性结合起来.
- 设计了一种多任务指纹增强图形卷积网络 (MT-FinGCN) 模型,集成指纹和分子图形结构信息.
- 在5179个NIR光体实验数据点的数据集上训练了MT-FinGCN模型.
- 进行了可解释性研究,以了解图形卷积网络 (GCN) 模型的"黑盒子"性质.
主要成果:
- 实现了六个关键光学性质的准确预测:吸收波长,辐射波长,斯托克斯转移,灭绝系数,光发光量子产量和寿命.
- MT-FinGCN模型通过结合各种分子信息来证明了卓越的性能.
- 开发的模型被部署在用户友好的网络平台NIRFluor.
结论:
- NIRFluor平台及其底层的MT-FinGCN模型显著加速了小分子NIR光体的开发和设计.
- 混合指纹和图形卷积网络的集成为预测光体特性提供了一种强大的方法.
- NIRFluor为科学界提供了一个有价值的,免费的资源,促进了疾病诊断和生物医学成像方面的进步.
