使用3D增强机器学习的循环分子的高通量电子性质预测
Peikun Zheng1, Olexandr Isayev1
1Department of Chemistry, Carnegie Mellon University Pittsburgh Pennsylvania 15213 USA olexandr@olexandrisayev.com.
Chemical science
|October 9, 2025
概括
一个名为Ring Vault的新数据集增强了机器学习 (ML) 模型,用于预测循环有机分子的特性. 先进的3D模型在电子财产预测中显示出卓越的准确性.
科学领域:
- 计算化学和材料科学计算化学和材料科学
- 机器学习在化学中的应用
背景情况:
- 现有的分子数据集缺乏复杂有机分子的结构多样性,阻碍了机器学习 (ML) 模型的概括性.
- 复杂的有机分子对于生物活性化合物和功能材料至关重要.
研究的目的:
- 为了介绍环数据集,一个高质量的各种循环分子的集合.
- 开发和评估ML模型,以预测这些分子的关键电子特性.
- 建立一个高通量选和循环分子合理设计的框架.
主要方法:
- 创建了包含201,546个循环分子在各种结构类型和元素的环形数据集.
- 在36000个分子的子集上进行量子力学 (QM) 计算,以生成属性数据.
- 培训和评估三个ML模型 (图表注意力网络,Chemprop,AIMNet2) 用于预测电子属性 (HOMO-LUMO间隙,IP,EA,氧化还原潜力).
主要成果:
- 微调的AIMNet2模型利用3D形状信息,实现R2值>0.95,与2D模型相比,平均绝对误差 (MAE) 降低了30%以上.
- 对AIMNet2嵌入的主要组件分析 (PCA) 揭示了电子特性和结构特征之间的相关性.
- 环数据集为分子性质预测提供了坚实的基础.
结论:
- 开发的方法和Ring Vault数据集为加速功能循环分子的发现和设计提供了一个强大的框架.
- 这项工作促进了高通量选和合理设计,用于药物发现,有机电子和能源材料的应用.
- 该研究促进了对有机化学中复杂的结构-性质关系的理解.
