通过机器学习预测稳定状态照片CIDNP增强

科学领域:

• 核磁共振 (NMR) 光谱学
• 超极化技术
• 计算化学

背景情况:

• 光化学诱导的动态核极化 (光CIDNP) 增强了NMR信号的灵敏度.
• 目前在预测稳定状态光CIDNP增强方面存在局限性,需要进行广泛的实验查.
• 开发预测模型对于有效识别合适的点分子至关重要.

研究的目的:

• 探索机器学习的应用,以预测静态光 CIDNP 信号对噪声增强 (SNE).
• 确定与光CIDNP增强相关的关键分子特征.
• 为照片CIDNP应用程序提供复合库的虚拟预选.

主要方法:

• 测量 40 种衍生物 (英多尔,氨基酸,) 的稳定状态光 CIDNP SNE.
• 实验SNE与八个分子特征的相关性.
• 机器学习模型的开发和评估 (逻辑回归,CatBoost回归器,K-Nearest Neighbors).

主要成果:

• 核友性福井指数被确定为最大SNE的关键定性预测指标.
• 一个物流回归模型在识别高增强率 (SNE>90) 的地点时实现了100%的准确性.
• CatBoost Regressor和K-Nearest Neighbors在定量SNE预测方面表现出卓越的表现.

结论:

• 机器学习模型显示出预测照片CIDNP SNE的巨大潜力.
• 这种方法可以简化超极化实验的分子识别.
• 使用ML的虚拟预选可以加速NMR光谱学的研究.