开发基于自然键轨道描述器的键接受的机器学习模型.
Diego Ulysses Melo1, Leonardo Martins Carneiro1, Mauricio Domingues Coutinho-Neto1
1Centro de Ciências Naturais e Humanas, Universidade Federal do ABC, Santo André, São Paulo 09210-580, Brazil.
机器学习模型使用来自自然键轨道 (NBO) 分析的电子描述符准确预测键接受. 这些由NBO衍生的特征提供了一种强大而简单的方法来预测像pKBHX这样的分子性质.
科学领域:
- 计算化学计算化学
- 机器学习在化学中的应用
- 量子化学 是一个量子化学.
背景情况:
- 键在分子相互作用和化学过程中起着至关重要的作用.
- 预测键接受强度对于理解分子行为至关重要.
- 传统方法通常需要复杂的描述符和广泛的量子化学计算.
研究的目的:
- 评估来自自然键轨道 (NBO) 分析的电子描述符的预测能力,以接受键.
- 开发使用NBO衍生功能的准确和可概括的机器学习模型.
- 通过使用简化描述器集来预测pKBHX值的新方法.
主要方法:
- 使用GFN2-xTB优化979个键复合物的几何结构.
- 密度函数理论 (DFT) 单点计算,然后进行NBO分析.
- 取出轨道稳定能 (E(2) 作为关键机器学习描述符.
- 培训和评估七个机器学习模型 (KNN,决策树,SVM,RF,MLP,XGBoost,CatBoost).
主要成果:
- 来自NBO的轨道稳定能量 (E(2) 作为独立的机器学习描述符被证明是有效的.
- 实现了高预测性能,预测误差低于0.4 kcal mol-1.1.
- 超越了使用更复杂和异质描述器集的先前研究.
结论:
- 基于NBO的电子描述器对于构建精确的机器学习模型非常有效.
- 这种方法提供了一种物理上有意义和可通用的方法来预测键的接受性.
- 这项研究证明了NBO分析在推进分子性质的预测建模方面的实用性.
更多相关视频
10:10Neutron Crystallography Data Collection and Processing for Modelling Hydrogen Atoms in Protein Structures
Published on: December 1, 2020
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
相关概念视频
Molecular Orbital Theory II
Hydrogen Bonds
Hybridization of Atomic Orbitals I
Valence Bond Theory
Valence Bond Theory and Hybridized Orbitals
A σ bond (single bond in a Lewis structure) is a covalent bond in which the electron density is...
MO Theory and Covalent Bonding
