Предсказание критических концентраций мицеллообразования поверхностно-активных веществ с использованием графовых сверточных нейронных сетей

Predicting Critical Micelle Concentrations for Surfactants Using Graph Convolutional Neural Networks
Reid C. Van Lehn, Víctor M. Zavala, Shiyi Qin, Tianyi Jin
2021-09-09

критическая концентрация мицеллообразованияграфовые сверточные нейронные сетивысокопроизводительный скринингкарты значимости молекулмолекулярные графы поверхностно-активных веществ
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.
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.

Молекулы поверхностно-активных веществ и их самоорганизация с образованием мицелл в растворе

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
Access Type
Author Information
Authors
Reid C. Van Lehn
Víctor M. Zavala
Shiyi Qin
Tianyi Jin
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%