ML 工作流程用于选永恒化学品的降解相关性质

科学领域:

• 环境化学环境化学
• 计算化学计算化学
• 材料科学 材料科学 材料科学

背景情况:

• 和多基基物质 (PFAS) 是持久性环境污染物,需要新的整治策略.
• 由于PFAS的广泛化学多样性,这阻碍了传统的方法来识别与降解相关的分子特性.
• 准确预测键解离能,极化性和热力学稳定性对于合理设计PFAS降解至关重要.

研究的目的:

• 开发基于物理的机器学习 (ML) 模型,用于预测PFAS与降解相关的关键分子特性.
• 建立强大的结构-属性关系,将分子特征与降解特征联系起来.
• 为了使PFAS的快速,高通量选能够用于整治工作.

主要方法:

• 通过主要组件分析 (PCA) 和高斯过程回归 (GPR) 来利用空间信息的特征 (3D电子密度模式) 来获得全球性属性 (极化性,稳定性).
• 使用基于图表的方案和随机森林 (RF) 算法,为本地属性 (债券解离能) 采用拓特征 (原子连接性).
• 在多个数据集中验证了ML模型性能,实现了高的预测准确性 (R2 ≈ 0.92用于偏振性,R2 ≈ 0.97用于度,R2 ≈ 0.87用于BDE).

主要成果:

• 开发了两个不同的ML工作流程,证明了PFAS属性的强有力的预测能力.
• 对于PFAS,已经建立了强大的定量结构与财产关系 (QSPR).
• 实现了极化性,热力学稳定性 (度) 和键解离能量的高预测精度.

结论:

• 基于物理的ML模型提供了一种强大的方法来预测PFAS降解相关的特性.
• 这些模型有助于快速选和优先考虑候选PFAS分子和用于修复的结合基因.
• 为加速开发有效的PFAS整治技术提供了基础能力.