.png){kind=icon}
返回
Toward Environment-Sensitive Molecular Inference via Mixed Integer Linear Programming
.png){kind=icon}
PRE
AI
DOI：10.1021/acsomega.5c02319.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统QSAR/QSPR和反向QSAR/QSPR方法通常假设化学性质由单个分子决定，忽略了多体分子相互作用和环境因素的影响。在本文中，我们介绍了一种新颖的反向QSAR/QSPR框架，该框架能够捕捉多个相互作用分子（例如小分子或聚合物）和实验条件对性质值的综合影响。据我们所知，这是首个基于机器学习的反向QSAR/QSPR框架，能够显式地整合多个相互作用分子和环境因素。我们设计了一个特征函数，以整合多个相互作用分子和环境的信息。具体而言，针对表征溶质与溶剂之间热力学性质的Flory-Huggins chi参数（该参数随温度变化），我们通过计算实验结果证明，与现有工作相比，在预测chi参数值方面，我们的方法能够实现具有竞争力的高学习性能，同时能够在相对较短的时间内推断出单体形式中最多含有50个非氢原子的溶质聚合物。与模拟软件J-OCTA的比较研究表明，由我们方法推断的聚合物具有高质量。所有已实现的源代码可在https://github.com/ku-dml/mol-infer/tree/master/chi-parameter获得。
Keyword:
STRUCTURE GENERATION
DESIGN
QSPR
期刊
IF:
4.3
论文数:
3.4W
被引数:
9.8W
机构
引用论文
Molecular generative model based on conditional variational autoencoder for de novo molecular design
OAAI
OAAI分享收藏Multitask Machine Learning to Predict Polymer-Solvent Miscibility Using Flory-Huggins Interaction Parameters使用flory-huggins相互作用参数预测聚合物-溶剂混溶性的多任务机器学习.png)
MACROMOLECULES
OAAI
MACROMOLECULESIF5.2
OAAI分享收藏分享收藏Molecular design in drug discovery: a comprehensive review of deep generative models药物发现中的分子设计: 深度生成模型的综合评述
PREAI
分享收藏Automatic Chemical Design Using a Data-Driven Continuous Representation of Molecules使用数据驱动的分子连续表示的自动化学设计ACS CENTRAL SCIENCEOAAI
ACS CENTRAL SCIENCEIF10.4
OAAI分享收藏
查看更多内容