机器学习方法预测晶性
研究分子结构的最大屏障之一是能以晶体形式获取分子以进行X射线分片现在理查库珀并杰罗姆威克牛津大学开发机器学习方法预测小有机分子是否能够结晶.晶性对判定结构至关重要,对提供多种药物也至关重要,因此这项工作可提供宝贵信息。
机器学习需要构建算法从数据中学习,过去曾用算法预测材料的溶解点和熔点Cooper和Wicker开始测试是否可以使用简单二维信息,如原子类型、联结类型和分子体积预测材料是否会晶晶化
数据集取自剑桥晶体数据中心CCDC和复建数据库商业化物,模型用数个分子特性培训测试以确定哪些对预测晶性最有意义可变联结计数0?V级分子连通指数间接测量3D体积,证明为关键变量并生成精确度达80%的模型
分析显示物料应该是Crystallise解析Cooper模型还可以提供信息说明改变小特征,如功能类可能多或少令分子结晶
晶体学专家将工作带入上下文西蒙科尔斯英国国家晶学服务局主管表示 : “ 多科领域正接近新时代-我们收集单个数据集数十年,皮特伍德一位CCDC科学家表示, 微小分子似然性或晶性在制药行业中意义重大, 因为微小分子药大都以晶状状态交付
未来Cooper和Wicker希望将温度和溶剂等其他变量融入模型中,并正在用各种材料测试模型“晶性前沿”,以便深入了解判定这些材料是否晶性的机制
尚没有备注