Применение основанного на машинном обучении метода read‑across structure‑property relationship (RASPR) в качестве нового инструмента для предиктивного моделирования: прогнозирование КПД (PCE) для выбранных классов органических красителей в чувствительных к красителю солнечных элементах (DSSCs)

Применение различных in-silico подходов для прогнозирования свойств материалов зарекомендовало себя как эффективная альтернатива экспериментальным методам. В последнее время концепции количественной структура‑свойство (QSPR) и read‑across (RA) были объединены для разработки нового хемоинформатического инструмента: read‑across structure‑property relationship (RASPR). Метод RASPR применим как к большим, так и к небольшим наборам данных, поскольку использует различные меры сходства и на основе ошибок, и было отмечено, что модели RASPR демонстрируют повышенную внешнюю предсказательную способность по сравнению с соответствующими QSPR-моделями. В данном исследовании мы модельно прогнозировали коэффициент преобразования мощности (power conversion efficiency, PCE) органических красителей, используемых в чувствительных к красителю солнечных элементах (DSSCs), с использованием метода quantitative RASPR (q‑RASPR). Для моделирования использовались сравнительно большие классы органических красителей — фенотиазины (n = 207), порфирины (n = 281) и трифенилмины (n = 229). Каждый набор данных был разделен на обучающие и тестовые поднаборы в трех различных комбинациях; на обучающих наборах были построены три QSPR‑модели с использованием структурных и физико‑химических дескрипторов и валидированы на соответствующих тестовых наборах. Смоделированные дескрипторы использовались для расчета RASPR‑дескрипторов с помощью Java‑инструмента RASAR Descriptor Calculator v2.0 (https://sites.google.com/jadavpuruniversity.in/dtc-lab-software/home), после чего была выполнена слияние данных путем объединения ранее отобранных структурных и физико‑химических дескрипторов с рассчитанными RASPR‑дескрипторами. Далее был применен алгоритм отбора признаков для разработки окончательных RASPR‑PLS моделей. Также были разработаны различные модели машинного обучения (ML) с дескрипторами, отобранными в QSPR‑PLS и RASPR‑PLS моделях; модели с RASPR‑дескрипторами превзошли модели, использующие только структурные и физико‑химические дескрипторы, по внешней предсказательной способности: RMSEP снизился для фенотиазинов с 1.16–1.25 до 1.07–1.18, для порфиринов с 1.60–1.79 до 1.45–1.53 и для трифенилминов с 1.27–1.54 до 1.20–1.47.