重庆大学：基于化学空间解构的分子性质预测动态模型集成架构
论论资讯 ｜ 2024-04-29 ｜
39热度
Chemical Engineering Science
Explore content
About the journal
Publish with us
Chemical space deconstruction-based dynamic model ensemble architecture for molecular property prediction
Wen H.; Nan S.; Zhang J.; Lei Z.; Shen W.
Published：2024-08-05
DOI：10.1016/j.ces.2024.120118
研究背景
在当今社会，绿色溶剂、催化剂、功能材料、药物等化学产品的设计受益于机器学习（ML）对分子性质的预测。然而，ML模型的准确性和稳定性可能受到数据质量的影响，而在化学产品发现和设计中很少对此进行研究。这就引出了一个问题：如何提高在低质量数据下的化学产品预测准确性和稳定性。
研究内容
这篇论文提出了基于化学空间解构的动态模型集成架构，用于分子性质预测。通过改进动态集成选择（DES），提出了一种基于化学空间解构的改良DES，适用于分子性质的预测任务。论文创新性地开发了基于自组织映射（SOM）神经网络的化学空间表示和解构模型，促进了在分子样本上快速实施改进的DES。因此，提出了一种新颖的动态模型集成架构（SOM-DES），作为模型增强技术，旨在构建更准确和稳定的集成模型，以提高对低质量数据中的化学子空间的预测性能。
研究意义
该研究的创新点在于提出了SOM-DES，比传统的静态集成策略（SES）在全局化学空间精度方面表现更优（R<sup>2</sup> = 0.9731，RMSE = 55.4639）。尤其对于由于低数据质量而难以预测的化学子空间，SOM-DES相比SES显示出了显著的预测误差减少。
通过这项研究，我们可以看到在化学产品设计领域，基于化学空间解构的动态模型集成架构有望提高预测准确性和稳定性，为未来的化学科学研究和应用带来更多可能性。
学术热榜
查看全部
相关资讯
换一批