用机器学习预测和解释碳氧化醇和超越的产量
Kerrin Janssen1, Jonny Proppe1
1TU Braunschweig, Institute of Physical and Theoretical Chemistry, Gauss Str 17, 38106 Braunschweig, Germany.
Journal of chemical information and modeling
|February 7, 2025
概括
研究人员开发了一种机器学习模型,以预测C2-碳氧化1,3-醇的反应产量. 一个可解释的热映射工具,PIXIE,有助于设计用于制药和农药的新分子.
科学领域:
- 有机化学 有机化学
- 计算化学计算化学
- 化学合成 化学合成
背景情况:
- 二氧化碳 (CO2) 转化为有价值的化学构件,如C2-碳氧化1,3-醇,对于制药,化品和农药至关重要.
- 有限数量的可用1,3-醇在C2位置有碳氧化,这表明需要改进合成策略和探索这种化学空间.
研究的目的:
- 开发一个受监督的机器学习模型,用于预测胺合C2-碳氧化1,3-醇的反应产量.
- 整合一个可解释的热映射算法 (PIXIE) 以可视化分子亚结构对预测产量的影响,促进合理的分子设计.
主要方法:
- 利用监督机器学习方法分析了一组与胺合的C2-碳酸化1,3-醇的数据集.
- 采用PIXIE算法,该算法使用指纹位的重要性来生成热图,说明分子特征对反应结果的影响.
主要成果:
- 该研究成功开发了一种预测模型,用于这个特定化学品类的反应产量.
- PIXIE提供了可解释的可视化,突出了影响预测产量的关键分子亚结构,从而帮助合成化学家.
结论:
- 机器学习和可解释的热图的整合提供了一个强大的方法来探索代表性不足的化学空间,如C2-碳基化1,3-醇.
- 这种方法促进了针对新生物活性化合物的有针对性的发现,并证明了在化学研究和开发中更广泛的应用潜力.
更多相关视频
09:21Author Spotlight: Generating Neuronal Phenotypic Profiles - A Protocol to Culture and Image Human Midbrain Dopaminergic Neurons
Published on: July 7, 2023
1.4K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.4K
相关概念视频
01:23Mechanistic Models: Compartment Models in Individual and Population Analysis
26
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
26
01:33Carboxylic Acids to Methylesters: Alkylation using Diazomethane
2.1K
Carboxylic acids react with diazomethane in an ether solvent via alkylation at the carboxylate oxygen atom to give methyl esters of the corresponding acid with excellent yields.
2.1K