莫莱克-Oxi:一个端到端的深度学习-量子化学平台,用于OH反应 (kOH),途径和主动站点洞察力
Fulin Shao1, Weiying Li1, Zhiwei Liang1
1College of Environmental Science and Engineering, Tongji University, Shanghai, 200092, P. R. China.
这项研究引入了一种混合人工智能模型,以准确预测污染物降解的反应速率常数,加速环境污染控制研究. 该框架整合了深度学习和机器学习,以实现高效的预测和机械洞察力.
科学领域:
- 环境化学环境化学
- 计算化学的计算化学
- 科学中的人工智能.
背景情况:
- 评估污染物与基 (•OH) 的反应速率常数对于环境污染控制至关重要,但在计算上具有挑战性.
- 现有的方法往往缺乏效率和全面的机制理解.
研究的目的:
- 开发一种新的混合元模型框架,以高效准确地预测反应速率常数 (kOH).
- 将预测,机械推理和在线分析整合到污染物降解研究的统一平台中.
- 为了提高可解释性和降低反应速率常数评估的计算成本.
主要方法:
- 一个混合的元模型框架,将深度预训练模型 (Uni-Mol) 与传统的机器学习算法 (随机森林,梯度提升,XGBoost,LightGBM,CatBoost) 融合在一起.
- 从针对968种污染物的DFT优化结构中提取多维量子化学描述符.
- 用线性元学习器进行kOH估计,并通过SHAP增强可解释性.
- 将 PES-Learn 模型与纳米反应器 MD 工作流相结合,以降低计算成本为机制级假设生成.
主要成果:
- 堆叠组合模型实现了高准确性 (R2 = 0.806),平均绝对误差 (MAE) 比单个学习者低.
- 在等价图和log10 ((kOH)) 的残留诊断中,在主要化学类中观察到有限的偏差.
- 与传统的DFT相比,在机制层次的假设生成方面实现了显著的加速度 (高达~3.1 × 104).
结论:
- 开发的混合元模型框架为评估污染物-基反应速率常数提供了强大而高效的解决方案.
- 集成的在线平台提供了一个闭环工作流程,用于快速选,机械推理和反应路径分析.
- 这种方法显著推进了环境污染控制和化学反应研究的计算策略.
更多相关视频
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
05:57Author Spotlight: In Silico Creation and Impact of Carbonylated Amino Acids on Protein Structure and Function
Published on: April 26, 2024
相关概念视频
Oxidation and Reduction of Organic Molecules
The removal of an electron from a molecule, results in a...
Oxidative Cleavage of Alkenes: Ozonolysis
Ozone is a symmetrical bent molecule stabilized by a resonance structure.
Phase I Oxidative Reactions: Overview
Oxidation of Alkenes: Syn Dihydroxylation with Osmium Tetraoxide
Oxidation-Reduction Reactions
Oxidation of Phenols to Quinones
o-hydroxy phenols are oxidized to o-quinones and p-hydroxy phenols to p-quinones. Such redox reactions involve the transfer of two electrons and two protons. The reversible redox...
