通过量子化学见解增强分子机器学习
作者：by Lauren Smith, Carnegie Mellon University Chemical Engineering
通过快速预测分子相互作用和特性，分子机器学习（ML）基础药物发现，材料科学和催化剂优化中的关键工作流程。例如，在药物发现中，ML模型预测了候选物与生物靶标之间的相互作用，从而大大提高了效率和加速发现。
尽管它们的实用性，但传统的分子表示，包括简化的图，三维坐标，文本格式和全球描述符具有固有的局限性。这些方法经常忽略准确捕获分子特性和行为必不可少的至关重要的量子力学细节。
随着预测任务变得更加复杂，开发明确纳入量子级分子信息的表示形式越来越重要。
在自然机器智力，Gabe Gomes，Daniil Boiko及其合作者提出一种新型的分子ML表示其中包括量子化学相互作用。
Boiko，博士学位卡内基·梅隆大学（Carnegie Mellon University）的化学工程和化学助理教授Gomes的学生Gomes展示了使用较少的数据和可解释的，化学注入的方法改进模型的途径。它们的表示形式包含有关（自然键）轨道及其相互作用的其他信息，其性能比标准分子图更好。
计算化学家使用轨道来描述分子中电子的位置和行为。立体电信效应是由分子轨道及其电子相互作用之间的空间关系产生的，直接影响分子几何，反应性，稳定性以及其他各种物理和化学性质。
在过去的十年中，Gomes一直在研究分子结构与反应性之间的关系，特别关注立体电子效应的发展和应用。他使用Boiko的最新作品将立体电子信息编码为一个分子ML模型，以创建立体电子融合的分子图（SIMGS）。
计算轨道之间的相互作用在计算上可能很昂贵，这使得这些方法对于中等尺寸的分子而缓慢，对于较大的分子而言是棘手的。为了解决这一限制，Boiko和Gomes开发了一个额外的模型，该模型可以基于标准分子图快速生成扩展表示。
与需要数小时或几天的方法相比，新型号以几秒钟的速度起作用。它是在小分子上训练的，可以准确预测较大分子的扩展图。
Boiko说：“当无法进行常规量子化学计算时，可以应用此模型，例如整个肽和蛋白质。”通过使用另一条管道来近似量子化学计算的输出，Boiko和Gomes希望他们的模型能够解锁以前无法访问的化学见解。
在开发模型时，重要的是Boiko和Gomes是通过分子ML和一般化学界很容易解释其新的代表。他们创建了一个Web应用程序快速分析分子，该工具还使他们的方法更容易访问。
该应用扩展了一个简单的分子图，其中包含有关键的已知信息；计算不同的目标，包括原子电荷和孤对；提供债券轨道的描述；并输出轨道相互作用的地图。
Boiko说：“在化学方面，我们的数据集很小。”“在这个数据规模上，分子中发生的事情的更明确表示非常重要。”
通过增强现有的分子表示并能够快速生成新的量子信息图，Boiko和Gomes可以显着提高分子机器学习的能力。该团队正在努力将表示范围扩展到整个周期表，并显示从光谱到催化的无数应用。
更多信息：Daniil A. Boiko等人，用立体信中注入的分子图推进分子机器学习表示，自然机器智能（2025）。doi：10.1038/s42256-025-01031-9
引用：使用量子化学见解增强分子机器学习（2025年，6月2日）检索2025年6月2日摘自https://phys.org/news/2025-06-molecular-machine-quantum-chemical-right.html
该文档具有版权。除了为私人研究或研究目的的任何公平交易外，没有未经书面许可，可以复制部分。内容仅用于信息目的。
关于《通过量子化学见解增强分子机器学习》的评论
暂无评论