基态描述器使机器学习辅助虚拟选能够对具有高对比度的AIE活性机械色分子进行高对比
Jiehai Peng1, Shoutao Shen1, Wei Zhu2,3,4
1Chemistry and Chemical Engineering, Shaoxing University, Shaoxing 312000, China.
Journal of chemical information and modeling
|June 1, 2025
概括
研究人员开发了一种新的描述器和机器学习模型,以快速发现用于先进设备的高对比度聚合诱导的发射机械色分子 (AIE-MFC). 这加速了具有可预测光学特性的新材料的设计.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 光电学是指光电子产品.
背景情况:
- 高对比度聚合诱导排放机械色分子 (AIE-MFC) 对于压力传感和光电子应用至关重要.
- 目前AIE-MFC分子与>100nm对比度的发现方法严重依赖于实验试错和科学直觉.
- 需要有效的预测方法来加快新型AIE-MFC材料的发现.
研究的目的:
- 建立一个新的电子描述符,EDAHL,用于表征机械染色 (MFC) 特性.
- 利用EDAHL和分子描述符开发一个计算高效的模型来预测MFC属性.
- 整合机器学习,DFT,HTVS和实验验证,以加速AIE-MFC分子发现.
主要方法:
- 介绍了EDAHL描述器,该描述器基于捐赠单位和接受单位的地面轨道能量.
- 开发一种机器学习模型,将EDAHL与其他分子描述符相结合,用于MFC属性预测.
- 实现一个闭环工作流程,集成ML,DFT,高通量虚拟选 (HTVS) 和实验验证.
主要成果:
- 成功选了超过10,000个候选分子,识别了37个新的高对比度AIE-MFC分子 (>100nm发射转移).
- 开发的模型表现出高预测准确度,并降低了计算复杂度.
- 实验验证证了AIE-MFC分子发现的集成工作流程的可靠性.
结论:
- 已建立的EDAHL描述符和ML驱动的工作流大幅加快了发现高对比度AIE-MFC分子的速度.
- 这种方法克服了传统方法的局限性,在大型化学空间中实现了快速选.
- EDAHL描述符显示了发现具有不同性质的其他捐赠者-接受者分子的潜力.
更多相关视频
08:54Vibrational Spectra of a N719-Chromophore/Titania Interface from Empirical-Potential Molecular-Dynamics Simulation, Solvated by a Room Temperature Ionic Liquid
Published on: January 25, 2020
5.7K
11:22Using Three-color Single-molecule FRET to Study the Correlation of Protein Interactions
Published on: January 30, 2018
10.2K
