Team udvikler en ny generation af kunstige neurale netværk, der er i stand til at forudsige egenskaber ved organiske forbindelser

Forskere fra Rusland, Estland og Det Forenede Kongerige har skabt en ny metode til forudsigelse af organiske molekylers biokoncentrationsfaktor (BCF). Udnyttelse af de klassiske modeller for fysisk -kemiske interaktioner mellem opløsningsmidlet og det opløste stof og avancerede maskinindlæringsmetoder, den nye tilgang gør det muligt at forudsige komplekse egenskaber af et stof baseret på et minimumssæt af inputdata. Resultaterne af undersøgelsen blev offentliggjort i Journal of Physics:Condensed Matter .

En af de vigtigste egenskaber ved organiske stoffer, BCF repræsenterer, hvor meget af et stof der er koncentreret i et væv i forhold til hvor meget af det stof, der findes i miljøet under ligevægtsforhold. BCF er meget brugt til at vurdere sikkerheden af ​​forskellige kemiske forbindelser og kan måles i praksis. For eksempel, du kan placere et testkemikalie i akvariet, vent til ligevægt er nået, og derefter måle dens koncentration både i fisken og i vandet. Men hvad nu hvis du vil estimere BCF alene på grundlag af beregninger?

En måde at gøre dette på er at generere et sæt molekylparametre (deskriptorer) og opbygge en matematisk model baseret på disse input. Modellen kan vise sig ret præcis, men det kan være svært at fortolke på grund af et stort antal parametre. Og endnu værre, modellen fungerer muligvis ikke korrekt for forbindelser, der adskiller sig stærkt fra dem i træningssættet.

Den anden metode er baseret på den molekylære teori om væsker, der beskriver stoffers adfærd i opløsninger. Imidlertid, biokoncentration er en kompleks parameter, der afhænger af en række faktorer, så det kan næppe forudsiges ved direkte at anvende fysisk -kemisk teori.

Forskere fra Skoltech, University of Tartu (Estland) og University of Strathclyde (UK), ledet af Skoltech -professor Maxim Fedorov, udviklet en hybrid BCF-forudsigelsesmetode, der består af to trin:først foretager forskerne fysisk-kemiske beregninger for at opnå 3D-tætheder af brint og ilt omkring det undersøgte molekyle og derefter anvende 3-D-konvolutionsneurale netværk-en teknologi, der med succes blev anvendt i billedgenkendelse. Denne fremgangsmåde viser, at de komplekse egenskaber af organiske stoffer kan beskrives selv med en lille mængde inputdata.

"Vores metode vil gøre det meget lettere at forudsige miljøpåvirkningen af ​​et givet stof. Men det vigtigste er, at vi har udviklet en universel metode til at beskrive et molekyle på en sådan måde, at dets 3-D-billede kan overføres til et 3-D konvolutionsnervalt netværk. På lang sigt, vores metode vil hjælpe med at forudsige egenskaberne ved forskellige 'eksotiske' molekyler og nye forbindelser, hvor de eksisterende struktur-ejendomsforholdsmetoder ikke virker, "sagde første forfatter og Skoltech Ph.D. -studerende Sergey Sosnin.