Предсказание критических концентраций мицеллообразования поверхностно-активных веществ с использованием графовых сверточных нейронных сетей
Predicting Critical Micelle Concentrations for Surfactants Using Graph Convolutional Neural Networks
2021-09-09
SCID: 54.1/a2h7nn6x
Discuss with AI
критическая концентрация мицеллообразованияграфовые сверточные нейронные сетивысокопроизводительный скринингкарты значимости молекулмолекулярные графы поверхностно-активных веществ
Figures from the paper
Abstract (AI)
Поверхностно-активные вещества (ПАВ) представляют собой амфифильные молекулы, широко используемые в потребительских товарах, промышленных процессах и биологических приложениях. Критическим свойством ПАВ является критическая концентрация мицеллообразования (ККМ) — концентрация, при которой молекулы ПАВ претерпевают кооперативную самосборку в растворе. Примечательно, что основной экспериментальный метод определения ККМ — тензиометрия — является трудоемким и дорогостоящим. В настоящем исследовании показано, что графовые сверточные нейронные сети (GCN) способны предсказывать ККМ непосредственно по молекулярной структуре ПАВ. В частности, была разработана архитектура GCN, кодирующая структуру ПАВ в виде молекулярного графа, и обученная на экспериментальных данных о ККМ. Установлено, что GCN предсказывает ККМ с более высокой точностью на более репрезентативном наборе данных, чем ранее предложенные методы, и обобщается на анионные, катионные, цвиттерионные и неионогенные ПАВ с использованием единой модели. Карты значимости молекул показали, как типы атомов и молекулярные субструктуры ПАВ влияют на ККМ, а также продемонстрировали согласие этого поведения с физическими правилами, связывающими конституционную и топологическую информацию с ККМ. На основе этих правил был предложен небольшой набор новых ПАВ, для которых экспериментальные значения ККМ отсутствуют; для этих молекул ККМ, предсказанные с помощью разработанной GCN, демонстрировали тенденции, сходные с полученными методом молекулярного моделирования. Эти результаты свидетельствуют о том, что GCN могут обеспечивать высокопроизводительный скрининг ПАВ с заданными характеристиками самосборки.
Key Findings
1
Графовая сверточная нейронная сеть предсказывает критические концентрации мицеллообразования непосредственно по молекулярным графам ПАВ, обучаясь на экспериментальных данных о ККМ.
2
Одна модель GCN обобщается на анионные, катионные, цвиттерионные и неионные ПАВ.
3
Для новых ПАВ без экспериментальных значений ККМ предсказания GCN демонстрировали тенденции, сходные с результатами молекулярного моделирования, поддерживая высокопроизводительный скрининг.
4
Карты молекулярной значимости выявляют атомные типы и структурные фрагменты, влияющие на ККМ, что согласуется с физическими связями между конституционными и топологическими характеристиками.
5
GCN обеспечивает более высокую точность предсказания ККМ на более инклюзивном наборе данных по сравнению с ранее предложенными методами.
Research Object
Молекулы поверхностно-активных веществ и их самоорганизация с образованием мицелл в растворе
Research Subject
Предсказание критических концентраций мицеллообразования (CMC) по молекулярной структуре, включая влияние типов атомов и молекулярных фрагментов у анионных, катионных, цвиттерионных и неионогенных поверхностно-активных веществ
Publication Details
Publication Date
2021-09-09
Journal
Publisher
ISSN
Cited by
68
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest