“`html
Интеграция стереоэлектронных эффектов в молекулярные графы: новый подход для улучшенных представлений машинного обучения и прогнозирования молекулярных свойств
Традиционные молекулярные представления, в основном сосредоточенные на ковалентных связях, игнорировали такие важные аспекты, как делокализация и нековалентные взаимодействия. Существующие модели машинного обучения использовали информационно-скудные представления, что ограничивало их способность улавливать молекулярную сложность. Графовые представления предоставляли некоторую топологическую информацию, но лишены квантово-химических априорных знаний.
Увеличение сложности задач прогнозирования выявило необходимость в более точных представлениях. Эта работа закрывает эти пробелы, представляя стереоэлектронно-пропитанные молекулярные графы (SIMG), в которых учитываются квантово-химические взаимодействия. SIMG направлены на улучшение интерпретируемости и производительности моделей машинного обучения в прогнозировании молекулярных свойств, преодолевая ограничения предыдущих подходов и обеспечивая более полное понимание молекулярного поведения.
Практические решения и ценность
Представление молекул является ключевым для понимания химических реакций и разработки новых материалов. Традиционные модели используют информационно-скудные представления, которые недостаточны для выполнения сложных задач. Эта статья представляет стереоэлектронно-пропитанные молекулярные графы (SIMG), включающие квантово-химическую информацию в молекулярные графы. SIMG усиливают традиционные представления, добавляя узлы для связывающих орбиталей и одиночных пар, устраняя пренебрежение важных взаимодействий, таких как делокализация и нековалентные силы. Этот подход направлен на обеспечение более полного понимания молекулярных взаимодействий, улучшение производительности алгоритмов машинного обучения в прогнозировании молекулярных свойств и возможность оценки ранее недоступных систем, таких как целые белки.
Исследователи использовали Q-Chem 6.0.1 и NBO 7.0 для расчетов с использованием высокопроизводительной инфраструктуры. Они провели анализ натуральных связей, чтобы количественно оценить локализованную информацию об электронах, исключая ридберговские орбитали. Команда представила стереоэлектронно-пропитанные молекулярные графы (SIMG), включающие стереоэлектронные эффекты и представляющие донорно-акцепторные взаимодействия. Архитектура их модели включала несколько блоков графовых нейронных сетей с уровнями внимания к графу и активацией ReLU, решая проблемы переобучения в многослойных сетях. Оценка производительности сосредоточилась на классификации одиночных пар и прогнозировании связанных с задачей, демонстрируя высокую точность и 98% восстановления расширенных графов истинной правды.
Модель продемонстрировала исключительную производительность в различных задачах прогнозирования, достигая высокой точности в классификации количества и типов одиночных пар. Она успешно восстанавливала расширенный граф истинной правды в 98% случаев. Задачи на уровне узла показали замечательную производительность, прогнозы, связанные с атомом, достигли отличных оценок R² и низких MAE и RMSE. Прогнозы одиночных пар, особенно для s- и p-характеров, показали отличные результаты, в то время как задачи прогнозирования d-подуровня показали немного более низкую производительность из-за ограниченных данных.
Прогнозы, связанные с задачей связи, были благоприятными, особенно для характеров гибридизации и поляризаций. Производительность положительно коррелировала с обилием образцов взаимодействия. Оценка F1 обеспечивала несмещенные измерения для несбалансированных классификаций, подчеркивая эффективность модели в улавливании взаимодействий на длинных дистанциях. Эти результаты подчеркивают успешное внедрение стереоэлектронных эффектов в молекулярные графы, значительно улучшая предсказательные возможности модели в различных молекулярных свойствах, а также решая проблемы, связанные с прогнозированием d-подуровня.
Исследование заключает, что внедрение стереоэлектронных взаимодействий в молекулярные графы значительно улучшает производительность модели машинного обучения, позволяя подробно понимать молекулярные свойства и поведение. Этот подход позволяет прогнозировать ранее недоступные молекулы, включая сложные биологические структуры. Новое представление облегчает высокопроизводительный анализ натуральных связей, потенциально ускоряя теоретические исследования в области химии. Настроенный двойной графовый нейронный сетевой рабочий процесс обеспечивает широкое применение изученных представлений. Эти результаты указывают на необходимость дальнейшего изучения стереоэлектронных эффектов, что может привести к более сложным моделям и расширению применения в области поиска лекарств и материалов.
Проверьте статью и репозиторий на GitHub. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Твиттер и присоединиться к нашему каналу в Телеграме и группе в LinkedIn. Если вам нравится наша работа, вам понравится наша рассылка.
Не забудьте присоединиться к нашему сообществу на Reddit.
Найдите предстоящие вебинары по искусственному интеллекту здесь.
Arcee AI выпустила DistillKit: открытый инструмент для моделирования, обеспечивающий создание эффективных малых языковых моделей высокой производительности
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте Integrating Stereoelectronic Effects into Molecular Graphs: A Novel Approach for Enhanced Machine Learning Representations and Molecular Property Predictions.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале https://t.me/itinainews или в Twitter @itinairu45358.
Попробуйте AI Sales Bot https://itinai.ru/aisales Этот AI ассистент в продажах, помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru будущее уже здесь!
“`
