ML-QSPR(Machine Learning QSPR)與材料資訊學

以深度學習進行定量結構–性質關係 (QSPR, Quantitative Structure-Property Relationship) 分析

技術特色

J-OCTA 內建多種與材料資訊學 (Materials Informatics) 相關的功能，例如：

「建模 API」(Modeling API)（圖 1）：讓使用者可透過 Python 腳本從分子建模到模擬進行全自動操作，無需使用圖形介面 (GUI)，並能累積大量的物性資料。
從 SMILES 等分子結構中取得分子描述符的功能。
從多個分子結構中抽取共通結構的功能。
機器學習式 QSPR（圖 2，定量結構–性質關係）：使用圖卷積神經網路 (Graph Convolutional Neural Network, GCN) 來學習並預測分子結構與性質之間的關係。

圖 1. API模型

圖 2. ML-QSPR原理介紹

技術介紹

針對非晶態高分子，圖 3 與圖 4 分別以密度與玻璃轉移溫度為目標性質。機器學習 QSPR 與傳統 Bicerano 方法使用相同的實驗資料進行訓練，其中 80% 作為訓練資料、20% 作為測試資料。圖表顯示的是測試資料的比較結果。需要注意的是，所使用的分子描述符是以單體結構為基礎，因此未考慮分子量的影響。

各圖左側為機器學習 QSPR的結果，右側為傳統QSPR（Bicerano 方法）的結果。縱軸為 QSPR 預測值，橫軸為實驗值。可以看出，依訓練參數的不同，機器學習 QSPR 能呈現出更佳的相關性。

值得注意的是，機器學習 QSPR 允許使用者使用自己的資料進行訓練，因此使用者可以根據與目標分子結構相近的資料，自行建構專屬的 QSPR 模型。

圖 3. ML-QSPR與傳統(Bicerano)QSPR的密度比較

圖 4. 機器學習QSPR與傳統(Bicerano)QSPR的玻璃轉移溫度比較