SolvBERT для прогнозирования свободной энергии сольватации и растворимости: демонстрация NLP-модели для прогнозирования свойств молекулярных комплексов
SolvBERT for solvation free energy and solubility prediction: a demonstration of an NLP model for predicting the properties of molecular complexes
2023-01-01
SCID: 54.1/7c59rtur
Discuss with AI
представление SMILESSolvBERTмодели Transformerпредсказание растворимостисвободная энергия сольватации
Figures from the paper
Abstract (AI)
Модели глубокого обучения, основанные на обработке естественного языка (NLP), в частности модели семейства Transformer, успешно применяются для решения многих задач, связанных с химией, однако их использование в основном ограничивается химическими реакциями. Между тем сольватация представляет собой важное понятие в физической и органической химии, описывающее взаимодействие растворённых веществ и растворителей. Это взаимодействие приводит к образованию сольватационного комплекса — молекулярного комплекса, сходного с комплексом реагент–реагент. В настоящем исследовании представлена модель SolvBERT, которая обрабатывает растворённое вещество и растворители с использованием SMILES-представления сольватационного комплекса. Предварительное обучение SolvBERT выполняется в режиме обучения без учителя на большой базе данных расчётных значений свободной энергии сольватации. Предварительно обученную модель можно использовать для прогнозирования экспериментальной свободной энергии сольватации или растворимости в зависимости от базы данных, применяемой для дообучения. Насколько нам известно, такая способность к многозадачному прогнозированию не наблюдалась у ранее разработанных графовых моделей для прогнозирования свойств молекулярных комплексов. Кроме того, эффективность SolvBERT при прогнозировании свободной энергии сольватации сопоставима с эффективностью современной графовой модели DMPNN, главным образом благодаря кластеризующей особенности этапа предварительного обучения модели, что было продемонстрировано с помощью алгоритма визуализации TMAP.
Key Findings
1
Дообучение предварительно обученной модели позволяет предсказывать экспериментальную энергию сольватации или растворимость, демонстрируя многозадачную способность.
2
SolvBERT применяет трансформерную NLP-модель к сольватационным комплексам, представленным SMILES-строками растворённых веществ и растворителей.
3
SolvBERT предсказывает энергию сольватации с результатами, сопоставимыми с современным графовым моделем DMPNN.
4
Визуализация TMAP показывает, что кластеризация, выученная на этапе предварительного обучения, вносит существенный вклад в предсказательную эффективность SolvBERT.
5
Модель предварительно обучается без учителя на большой базе вычислительных энергий сольватации.
Research Object
молекулярные комплексы растворённого вещества и растворителя (сольватационные комплексы)
Research Subject
предсказание свободной энергии сольватации и растворимости
Publication Details
Publication Date
2023-01-01
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest