정확도 >98%, 전자 밀도를 기반으로 한 GPT는 화학 연구에 사용되며 Nature 하위 저널에 게재됨

Editor | Violet

합성된 분자의 화학적 공간은 매우 넓습니다. 이 분야를 효과적으로 탐색하려면 의존성이 필요합니다. 다양한 흥미로운 화합물을 신속하게 발견하기 위한 딥러닝과 같은 컴퓨터 스크리닝 기술

분자 구조를 디지털 표현으로 변환하고 해당 알고리즘을 개발하여 새로운 분자 구조를 생성하는 것이 화학적 발견의 핵심입니다

최근 영국 글래스고 대학교 연구팀은 호스트-게스트 바인더 생성을 위한 전자 밀도 훈련을 기반으로 한 기계 학습 모델을 제안했습니다. 이 모델은 최대 98%의 정확도로 SMILES(Simplified Molecular Linear Input Spec) 형식의 데이터를 읽을 수 있습니다. 98%의 정확도. 2차원 공간의 분자에 대한 포괄적인 설명

변형 자동 인코더를 통해 호스트-게스트 시스템의 전자 밀도 및 정전기 전위에 대한 3차원 표현을 생성한 다음 게스트 생성을 최적화합니다. 마지막으로 Transformer를 사용하여 게스트를 SMILES로 변환했습니다. 이 모델은 확립된 분자 호스트 시스템, 쿠커비투릴 및 금속-유기 케이지에 성공적으로 적용되어 9를 발견했습니다. 이전에 검증된 CB[6] 게스트와 보고되지 않은 객체 7개, 그리고 Nature 하위 저널 " />Objects에 게재된 화학 연구에 대한 전자 밀도를 기반으로 보고되지 않은 4개의

98% GPT를 발견했습니다.

98%, 전자 밀도 기반 GPT는 화학 연구에 사용되며 Nature 하위 저널에 게재됨" />

분자를 3D 볼륨으로 표현하는 것의 장점은 컨볼루셔널 신경망과 같은 최신 AI 기술을 적용할 수 있다는 것입니다. 현재까지 분자 설명자로 3D 볼륨을 적용한 대부분은 특성 예측이나 새로운 약물 설계에 중점을 두었습니다. 그러나 3D 볼륨을 분자 설명자로 사용하는 것은 현재 이러한 볼륨을 명확한 분자 구조와 연관시키는 효율적인 방법이 부족하여 방해받고 있습니다.

지난 40년 동안 호스트-게스트 시스템은 분자 용기(빈 유기 분자 또는 빈 초분자 구조)가 공동 내 몸체로부터 분자를 분리하여 분자의 화학적 및 물리적 특성을 변경하는 경향이 있기 때문에 인기를 얻었습니다. 점점 더 많은 연구가 이루어지고 있습니다. 호스트-게스트 시스템은 촉매 작용부터 생의학 공학, 재료 과학 및 반응성 분자 안정화에 이르기까지 광범위한 응용 분야를 갖추고 있습니다.

쿠커비투릴(CB[n])과 금속-유기 케이지는 가장 성공적인 분자 용기 디자인 중 하나입니다. 호스트-게스트 화학이 놀라운 성과를 거두었음에도 불구하고 기존 시스템에서 보고되지 않은 게스트를 발견하거나 새로운 호스트-게스트 시스템을 최적화하는 것은 과학적 진보의 속도를 방해하는 힘들고 비용이 많이 드는 반복 프로세스로 남아 있습니다.

전자 밀도에 대해 훈련된 기계 학습 모델

여기서 호스트 분자를 3D 볼륨(즉, 정전기 전위로 수정된 전자 밀도)으로 표현하면 호스트의 손님을 컴퓨터 기반으로 검색할 수 있음이 입증되었습니다. 주제의 화학적 구조를 넘어서는 호스트-게스트 시스템을 이해할 필요가 없습니다.

이 과정에서 연구원들은 3D 체적 분자 설명자를 SMILES 표현으로 효율적으로 변환하여 전문 화학자가 사용할 수 있는 분자 구조를 생성하도록 훈련할 수 있는 Transformer 모델을 구축했습니다.

이 연구에서는 또한 정전기 전위 데이터로 전자 밀도를 수정하여 분자를 3D 볼륨으로 효과적으로 표현할 수 있으며, 이 두 가지 기능이 자동 회귀 샘플링 방식을 사용하여 3D 디스크립터 간의 볼륨 모양과 전하를 최적화하는 데 충분하다는 사실도 발견했습니다. 게스트 분자 호스트를 발견하기 위해 상호 작용합니다.

98%, 전자 밀도 기반 GPT는 화학 연구에 사용되며 Nature 하위 저널에 게재됨" />

객체의 실험적 검증에는 2단계 워크플로가 필요합니다. 첫째, 두 호스트 모두에 대해 잠재적인 게스트 분자의 가상 라이브러리를 생성하도록 인실리코 워크플로우가 설계되었습니다. 그런 다음 실험 테스트를 위해 전문 화학자가 가상 ​​라이브러리에서 가장 유망한 게스트 후보를 선택하는 것을 포함하는 시험관 내 워크플로우가 확립되었습니다.

그림: 전자 밀도 부피 표현을 통한 새로운 게스트 분자 발견. (출처: 논문)

CB[ 6] 및 게스트 분자의 컴퓨터 생성은 위 그림에 표시된 워크플로를 통해 이루어집니다. 워크플로에는 다음 단계가 포함됩니다.

(1) 3D 전자 밀도 볼륨 트레이닝 세트는 공개적으로 분자에서 파생됩니다. 사용 가능한 QM9 데이터 세트. VAE(변형 자동 인코더)를 사용하여 이 3D 전자 밀도 볼륨 훈련 세트를 모델링함으로써

"분자 생성기"가 생성되어 QM9 데이터 세트에서 파생된 것 이상의 3D 전자 밀도 볼륨을 생성할 수 있습니다. VAE 분자 생성기는 3D 전자 밀도 볼륨을 1차원(1D) 잠재 공간으로 인코딩한 다음 이 1D 잠재 공간에서 디코딩하여 분자에 해당하는 3D 전자 밀도 볼륨을 생성하는 방식으로 작동합니다. 흥미롭게도 이 방법은 화학적으로 건전한 분자만 생성할 수 있습니다.

(2) VAE 분자 생성기 및 경사하강법 최적화 알고리즘은 주어진 호스트 분자에 대한 게스트 분자 라이브러리(3D 전자 밀도 볼륨의 형태)를 생성하는 데 사용됩니다. 게스트 분자는 호스트와 게스트 전자 밀도 사이의 중첩을 최소화하는 동시에 정전기 상호 작용을 최적화하여 생성됩니다.

(3) 인간 운영자가 3D 전자 밀도 볼륨을 화학적으로 해석 가능한 구조로 변환하는 것은 어려울 수 있으므로 Transformer 모델은 전문 화학자가 더 쉽게 이해할 수 있는 방식으로 이러한 볼륨을 SMILES 표현으로 변환하도록 훈련되었습니다. 형식은 분자를 설명하는 데 필요한 모든 필수 정보를 캡처합니다. 컴퓨터 시뮬레이션을 통해 CB[6] 및 에 대한 잠재적인 게스트 분자를 생성한 후 가장 유망한 후보를 실험적으로 테스트하기 위한 시험관 내 작업 흐름이 확립되었습니다.

사용된 실험 절차는 아래에 설명되어 있습니다.

(1) 컴퓨터 작업 흐름으로 인해 생성된 CB[6] 및 개체는 실험 테스트를 위해 화학 전문가에 의해 분류되었습니다. 테스트를 위한 유망 게스트는 CB[6] 또는 의 알려진 게스트와의 구조적 유사성, 전문 화학자의 직관 및 상업적 가용성을 기반으로 선택됩니다.

(2) Nature 하위 저널에 게재된 화학 연구를 위해 전자 밀도를 기준으로 직접 적정 방법을 사용하여 CB[6] 또는 의 친화도를 결정합니다. 게스트가 이전에 호스트에 결합하는 것으로 알려진(또는 밀접하게 관련된) 분자와 전문가의 직관을 무시하는 분자를 포함하는 컴퓨터 혼합물

두 가지 공통 호스트-게스트 시스템에 대한 실험적 검증

연구원들은 두 가지 공통 호스트에 대한 작업 흐름을 실험적으로 검증했습니다. -게스트 시스템: 쿠커비투릴(CB[n]) 및 금속-유기 케이지는 문헌으로 검증되었으며 보고되지 않은 개체가 되었습니다. 이 알고리즘은 CB[6]에 대해 이전에 알려진 9개의 개체를 생성했습니다. 7개의 잠재적인 새로운 게스트도 식별되었습니다. 이러한 새로운 게스트에 대한 CB[6]의 친화성은 HCO2H/H2O 1:1v/v에서 직접

적정을 통해 평가되었습니다.

7가지 경우 모두 호스트-게스트 시스템에 대해 일련의 신호가 관찰되었습니다. 시스템은 NMR 시간 규모에서 빠른 교환을 겪습니다. 게스트 분자의 지방족 사슬 공명은 위쪽으로 이동하여 CB[6] 공동에 캡슐화되어 있음을 나타냅니다. Nature Sub-Journal에 게재된 화학 연구" /> CB[6]와의 결합 상수는 13.5 M^− 1 ~ 5,470 M^−1 범위에서 이전에 확립된 추세를 따릅니다.

98%, 전자 밀도를 기반으로 한 GPT는 화학 연구에 사용되며 Nature 하위 저널에 게재됨" /> 적정을 통해 테스트됩니다. Pd214](BArF)4는 CD2Cl2(44 M^-1에서 529 M^-1까지의 Ka)의 "작은 중립 손님"에 대해 이전에 보고된 친화력의 낮은 범위와 일치합니다.

연구에서는 분자를 표현하기 위해 SMILES 표기법을 사용하는 데 중점을 두었지만 SELFIES(Self-Referential Embedded Strings)와 같은 다른 유사한 형식도 테스트했습니다.

QM9 데이터 세트에는 CB와 같은 호스트의 게스트가 되기에 완벽한 크기의 분자가 포함되어 있지만[6], 이 연구에서 직면한 한 가지 제한 사항은 금속-유기 케이지가 더 큰 공동을 가지며 더 큰 게스트 분자가 필요하다는 것입니다. 향후 연구에서는 GDB-17 데이터 세트와 같이 더 큰 분자를 포함하는 데이터 세트가 사용될 것입니다.

그 후 “우리의 목표는 새로운 리간드 선택을 생성 프로세스에 포함시키고, 자동화된 합성 플랫폼(예: Chemputer 로봇)에서 분자를 자율적으로 합성하고, 최적화와 테스트 사이의 루프를 닫고, 사이버 물리적 폐쇄형 시스템을 만드는 것입니다. 루프 시스템."

위 내용은 정확도 >98%, 전자 밀도를 기반으로 한 GPT는 화학 연구에 사용되며 Nature 하위 저널에 게재됨의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!