使用机器学习预测丁和诺基诺的¹O₂代量子产量

科学领域:

• 光化学和光物理学
• 计算化学的计算化学
• 药用化学 医学化学

背景情况:

• 氨基 (FQs) 和氨基 (Ptrs) 是具有显著光化学活性的亚亚双环化合物,包括单点氧生成.
• 它们相似的电子吸收光谱表明了统一光化学研究的潜力.
• 了解光敏化能力对于光动力学疗法等应用至关重要.

研究的目的:

• 开发和比较机器学习 (ML) 方法来预测FQ和Ptrs的光敏化能力 (单氧生成量子产量,ΦΔ).
• 确定影响这些多样化化合物中光敏感化的关键分子描述因子.
• 评估结构不同的光敏剂的统一建模的可行性.

主要方法:

• 对48个素和基诺在化水中的单一氧气生成量子产量 (ΦΔ) 进行了研究.
• 利用了超过5000个分子描述符的数据集,通过遗传算法 (GA) 进行缩小.
• 在ML模型开发中使用并比较多重线性回归 (MLR),支向量回归 (SVR),随机森林回归 (RFR),梯度增强 (GBR) 和极端梯度增强 (XGBoost).

主要成果:

• 在不同模型中实现了高预测性能 (Rtrain2 > 0.97,q2 > 0.84).
• 支持向量回归 (SVR) 显示了最佳的测试集性能 (Rtest2 = 0.975),而极端梯度增强 (XGBoost) 显示了优越的稳定性.
• 解释性分析 (SHAP,ALE) 确定了联合最大键长 (CMBL) 和远程极化性 (TDB09p) 作为 ΦΔ.

结论:

• 证明了统一机器学习建模的可行性,用于结构多样化的光敏剂,如FQs和Ptrs.
• 通过描述器相关性分析,提供了对光敏感化的机制性见解.
• 提供了可操作的见解,以合理设计和虚拟选新型光敏剂用于光动力学疗法.