原子的 3D 配置决定了所有材料属性。从化学图、结构式表示对精确平衡结构、所有原子的 3D 坐标进行定量预测是一项具有挑战性且计算成本高的任务,几乎是每个计算化学工作流程的开始。维也纳大学的研究人员现在开发了一种新的基于机器学习的模型,以简化昂贵的计算,直接从图形中预测结构。“Machine learning based energy-free structure predictions of molecules, transition states, and solids”的新方法发表在最新一期的《自然通讯》上。

研究人员开研发新模型 能够预测未知化合物分子图的新 3D 结构

尽管通常被描述为刚性,但化合物是由连续移动和振荡的原子组成的灵活的三维物体。Cyrus Levinthal 早在 1969 年就指出,化合物的大量自由度形式上导致灾难性的大量可能的构象,高达 10,300(Levinthal 悖论)。然而,在实验观察中,原子的 3D 配置对应于明确定义的自由能最小值,从而决定了所有材料特性。结构决定功能的范式是决定药物相互作用、优化催化剂或反应以及材料发现的关键。因此,在大多数计算高通量筛选活动(一种快速科学实验的方法)中,只寻求最稳定的配置。根据估计材料稳定性时所采用近似值的复杂程度,计算单个结构的计算成本可能从几分钟到几小时甚至几天不等。

研究人员开研发新模型 能够预测未知化合物分子图的新 3D 结构

由 Anatole von Lilienfeld 领导的维也纳大学研究人员从不同的角度解决了这个问题,开发一种利用数据并普遍适用于任何类型的化学物质的新方法。他们的新方法 Graph2Structure 使用高质量的量子化学数据来训练机器学习模型,该模型能够预测未知化合物分子图的新 3D 结构。这种将分子图直接映射到特定 3D 配置的方法使模型能够有效地绕过任何形式的能量最小化,与传统方法相比,速度提高了超过一百万。产生高质量结构的可能性不仅加速了高通量分子设计,而且加速了日常工作流程,该研究的主要作者自然通讯说多米尼克·莱姆,可靠地为奇异化学生成 3D 结构,例如开壳系统或过渡态,是原子模拟中最困难的任务之一。


进一步的研究结果表明,生成的结构可以直接用作后续基于机器学习的属性预测模型评估的输入,从而以严格和更有效的方式将分子图与结构相关属性联系起来。


免责声明

我来说几句

不吐不快,我来说两句
最新评论

还没有人评论哦,抢沙发吧~