增强NMR对原子中的分子机器学习模型的屏蔽预测,使用邻近信息的表示
Surajit Das1, Raghunathan Ramakrishnan1
1Tata Institute of Fundamental Research, Hyderabad 500046, India.
新的原子描述器改进了机器学习 (ML) 模型,用于预测核磁共振 (NMR) 屏蔽. 波袋辐射基函数描述器 (aBoB-RBF(4) 为NMR光谱学提供了高精度和高效率.
科学领域:
- 计算化学计算化学
- 频谱学是一种光谱学.
- 机器学习 机器学习
背景情况:
- 准确预测核磁共振 (NMR) 屏蔽对于数据驱动光谱学至关重要.
- 现有的机器学习 (ML) 模型在实现高准确度的NMR屏蔽预测方面面临挑战.
研究的目的:
- 开发新的原子描述器,以增强基于ML的NMR屏蔽预测.
- 评估这些新描述符在各种数据集上的性能和可转移性.
主要方法:
- 介绍了库伦矩阵 (aCM) 和债券袋 (aBoB) 描述符的原子变体.
- 使用辐射基函数 (RBF) 进行平滑的,每原子表示 (aCM-RBF,aBoB-RBF) 的扩展描述符.
- 通过包括n个最近邻国 (aCM-RBF(n),aBoB-RBF(n)) 的贡献,整合了当地结构信息.
主要成果:
- aBoB-RBF(4) 描述器在QM9NMR数据集上实现了13C屏蔽预测的平均误差为1.69ppm.
- 在准确性和效率方面,aBoB-RBF(4) 的表现优于之前报告的模型.
- 对外部数据集的基准测试证实了aBoB-RBF的稳定性和可转移性,用于更大的分子.
结论:
- aBoB-RBF(4) 描述器为基于ML的NMR屏蔽预测提供了准确性和计算效率之间的最佳平衡.
- 这个描述符代表了一个实用和强大的工具,用于推进数据驱动的NMR光谱学.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
相关概念视频
The Quantum-Mechanical Model of an Atom
¹H NMR of Conformationally Flexible Molecules: Variable-Temperature NMR
Predicting Molecular Geometry
The Energies of Atomic Orbitals
¹H NMR of Conformationally Flexible Molecules: Temporal Resolution
¹³C NMR: Distortionless Enhancement by Polarization Transfer (DEPT)
