使用 mol-infer 進行 QSPR 的逆向分析

從物性預測分子結構

技術介紹

定量結構–性質關係（QSPR, Quantitative Structure-Property Relationship）通常是透過機器學習，根據分子或晶體結構來預測物理性質。本例中則進行逆向分析（inverse analysis），也就是從物理性質來預測分子結構。

J-OCTA 與京都大學永持研究室（Nagamochi Laboratory）正在開發的 mol-infer 工具之間具備介面整合功能 [1]。

首先，使用人工神經網路（ANN, Artificial Neural Network）根據分子結構來預測物理性質。接著，透過混合整數線性規劃（MILP, Mixed Integer Linear Programming）來解 ANN 的逆向運算。這種方法能快速且精確地執行 ANN 無法單獨完成的逆向推論。

圖 1 顯示用於測試計算的分配係數（partition coefficient）資料。首先，利用 1297 筆資料來訓練分子結構與物理性質之間的關係。

接著使用 MILP 進行逆向運算，目標分配係數設定為 10.0。此時準備了一個作為種子（seed）的圖狀分子骨架結構，以及對應於官能基的樹狀結構，並以此來進行分子結構的預測。

圖 3 顯示所得的分子結構，此外也獲得了該結構的結構異構物（structural isomers）。再以正向預測方式估算該分子結構的物理性質，所得的分配係數為 9.8，顯示此結果幾乎能符合目標物性。

圖 1. mol-infer的訓練資料與目標性質(分配係數 = 10.0)

圖 2. 種子結構(左)與樹狀結構(右)

圖 3. 由mol-infer所獲得的分子結構