Peningkatan pembelajaran mesin molekuler dengan informasi kuantum dan kimia

Mempelajari mesin molekuler (ML) menggarisbawahi alur kerja kritis dalam penemuan obat, ilmu material dan optimasi katalis dengan memprediksi interaksi dan sifat molekuler dengan cepat. Misalnya, dalam penemuan obat -obatan, model ML memperkirakan interaksi antara kandidat untuk obat -obatan dan tujuan biologis, sangat meningkatkan efisiensi dan penemuan yang dipercepat.

Terlepas dari kegunaannya, representasi molekuler tradisional, yang meliputi grafik yang disederhanakan, koordinat tiga dimensi, format tekstual dan deskriptor global, memiliki keterbatasan yang melekat. Metode -metode ini sering mengabaikan detail kuantum penting yang penting untuk secara tepat menangkap sifat dan perilaku molekuler.

Ketika tugas prediksi menjadi lebih kompleks, semakin penting untuk mengembangkan representasi yang secara eksplisit menggabungkan informasi molekuler pada tingkat kuantum.

Di dalam Kecerdasan Mesin Alam, Gabe Gomes, Daniil Boiko dan kolaboratornya Mengusulkan jenis baru representasi ml molekul Itu termasuk interaksi kimia kuantum.

Boiko, seorang Ph.D. Mahasiswa dalam bidang teknik kimia, dan Gomes, asisten profesor teknik kimia dan kimia di Universitas Carnegie Mellon, menunjukkan jalan untuk meningkatkan model menggunakan lebih sedikit data dan pendekatan yang dapat ditafsirkan yang diresapi dengan kimia. Representasinya, yang menggabungkan informasi tambahan tentang orbital (tautan alami) dan interaksinya, bekerja lebih baik daripada grafik molekuler standar.

Ahli kimia komputasi menggunakan orbital untuk menggambarkan lokasi dan perilaku elektron dalam molekul. Efek stereoelektronik muncul dari hubungan spasial antara orbital molekul dan interaksi elektroniknya, secara langsung mempengaruhi geometri molekuler, reaktivitas, stabilitas dan sifat fisik dan kimia lainnya.

Gomes telah mempelajari hubungan antara struktur molekuler dan reaktivitas selama dekade terakhir, dengan pendekatan khusus untuk pengembangan dan aplikasi efek stereoelektronik. Karya terbarunya dengan Boiko mengkodekan informasi stereoelektronik dalam model molekul ML untuk membuat grafik molekuler yang diresapi dengan stereoelektronika (SIMGS).

Perhitungan interaksi antara orbital bisa mahal secara komputasi, yang membuat metode ini lambat untuk molekul ukuran sedang dan intrak yang tidak dapat diselesaikan untuk molekul yang lebih besar. Untuk mengatasi batasan ini, Boiko dan Gomes mengembangkan model tambahan yang dapat dengan cepat menghasilkan representasi yang diperluas berdasarkan grafik molekuler standar.

Dibandingkan dengan metode yang memakan waktu berjam -jam, model baru ini bekerja dalam hitungan detik. Ini dilatih dalam molekul kecil dan secara tepat dapat memprediksi grafik yang diperluas untuk molekul yang lebih besar.

“Model ini dapat diterapkan ketika perhitungan kimia kuantum biasa tidak dimungkinkan, seperti untuk seluruh peptida dan protein,” kata Boiko. Saat mendekati keluarnya perhitungan kimia kuantum menggunakan pipa lain, Boiko dan Gomes mereka mengharapkan model mereka untuk membuka kunci penglihatan kimia yang sebelumnya tidak dapat diakses.

Ketika mengembangkan model, penting bagi Boiko dan Gomes bahwa representasi baru mereka mudah ditafsirkan oleh komunitas molekuler ML dan kimia umum. Mereka menciptakan a Aplikasi Web untuk dengan cepat menganalisis interaksi stereoelektronik molekulDan alat ini juga membuat metodenya lebih mudah diakses.

Aplikasi ini memperluas bagan molekuler sederhana dengan informasi yang diketahui tentang tautan; Hitung tujuan yang berbeda, termasuk beban atom dan pasangan yang sepi; memberikan deskripsi orbital tautan; dan menghasilkan peta interaksi orbital.

“Dalam kimia, kami memiliki set data yang sangat kecil,” kata Boiko. “Dalam skala data ini, representasi yang lebih eksplisit dari apa yang terjadi dalam molekul sangat penting.”

Dengan meningkatkan representasi molekuler yang ada dan memungkinkan pembuatan cepat grafik informed kuantum baru, Boiko dan Gomes telah secara signifikan meningkatkan kemampuan pembelajaran otomatis molekuler. Tim bekerja untuk memperluas ruang lingkup representasi ke seluruh tabel periodik dan menunjukkan aplikasi yang tak terhitung banyaknya dari spektroskopi ke katalisis.