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
Jiahui Yu, Chengwei Zhang, Yingying Cheng, Yun‐Fang Yang, Yuanbin She, Fengfan Liu, Weike Su, An Su
2023-01-01

представление SMILESSolvBERTмодели Transformerпредсказание растворимостисвободная энергия сольватации
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.
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.

молекулярные комплексы растворённого вещества и растворителя (сольватационные комплексы)

предсказание свободной энергии сольватации и растворимости

Publication Details
Publication Date
2023-01-01
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Jiahui Yu
Chengwei Zhang
Yingying Cheng
Yun‐Fang Yang
Yuanbin She
Fengfan Liu
Weike Su
An Su
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%