从定制的虚拟分子数据库转移学习到现实世界的有机光敏感剂,用于催化活动预测
Naoki Noto1, Taiki Nagano2, Mikito Fujinami3
1Integrated Research Consortium on Chemical Sciences (IRCCS), Nagoya University, Nagoya, Aichi, Japan. noto.naoki.f5@f.mail.nagoya-u.ac.jp.
Communications chemistry
|October 1, 2025
概括
催化中的机器学习受到数据稀缺性的限制. 在分子拓指数上预训练的图形卷积网络 (GCN) 模型可以改善催化活动预测,即使使用了新的虚拟分子.
科学领域:
- 计算化学的计算化学
- 机器学习在催化中
- 材料科学 材料科学 材料科学
背景情况:
- 实验数据的稀缺性阻碍了机器学习 (ML) 在催化研究中的应用.
- 预测催化活性通常需要大量的人类专业知识和广泛的实验数据.
- 现有的ML模型经常与标准数据库中不存在的新型分子结构作斗争.
研究的目的:
- 调查图形卷积网络 (GCN) 模型在预测催化活性方面的有效性.
- 探索一种转移学习策略,使用在分子拓指数上预训练的模型.
- 评估定制生成的虚拟分子数据库对于预训练ML模型的有用性.
主要方法:
- 图形卷积网络 (GCN) 模型的开发和应用.
- 在从定制生成的虚拟分子数据库中获得的分子拓指数上预训练GCN模型.
- 利用系统生成和新型分子生成器来创建虚拟数据库.
- 测试预先训练的模型来预测现实世界有机光敏感剂的催化活性.
主要成果:
- 预训练的GCN模型显著提高了催化活性预测的准确性.
- 即使在PubChem等公共数据库中没有发现虚拟分子 (94%-99%) 时,预训练策略也有效.
- 该方法成功地将自生成的虚拟数据的学习转移到现实世界的应用程序中.
结论:
- 使用在分子拓指数上预训练的GCN模型进行转移学习,为催化ML中的数据稀缺提供了有效的解决方案.
- 定制生成的虚拟分子数据库是用于催化 ML 模型预训练的宝贵资源.
- 这一策略增强了对有机光敏剂的催化活性的预测,减少了对广泛实验数据的依赖.
相关概念视频
01:12Cycloaddition Reactions: MO Requirements for Photochemical Activation
2.6K
Some cycloaddition reactions are activated by heat, while others are initiated by light. For example, a [2 + 2] cycloaddition between two ethylene molecules occurs only in the presence of light. It is photochemically allowed but thermally forbidden.
2.6K
01:26Photochemical Electrocyclic Reactions: Stereochemistry
2.2K
The absorption of UV–visible light by conjugated systems causes the promotion of an electron from the ground state to the excited state. Consequently, photochemical electrocyclic reactions proceed via the excited-state HOMO rather than the ground-state HOMO. Since the ground- and excited-state HOMOs have different symmetries, the stereochemical outcome of electrocyclic reactions depends on the mode of activation; i.e., thermal or photochemical.
Selection Rules: Photochemical Activation
Selection Rules: Photochemical Activation
2.2K