Forskare från Ryssland, Estland och Storbritannien har skapat en ny metod för att förutsäga organiska molekylers biokoncentrationsfaktor (BCF). Utnyttja de klassiska modellerna för fysikalisk -kemiska interaktioner mellan lösningsmedlet och det lösta och avancerade maskininlärningsmetoder, det nya tillvägagångssättet gör det möjligt att förutsäga komplexa egenskaper hos ett ämne baserat på en minsta uppsättning ingångsdata. Resultaten av studien publicerades i Journal of Physics:Condensed Matter .
En av de viktigaste egenskaperna hos organiska ämnen, BCF representerar hur mycket av ett ämne som är koncentrerat i en vävnad i förhållande till hur mycket av det ämnet som finns i miljön vid jämviktsförhållanden. BCF används ofta för att bedöma säkerheten för olika kemiska föreningar och kan mätas i praktiken. Till exempel, du kan placera en testkemikalie i akvariet, vänta tills jämvikt uppnås, och sedan mäta dess koncentration både i fisken och i vattnet. Men vad händer om du vill uppskatta BCF baserat på beräkningar enbart?
Ett sätt att göra detta är att generera en uppsättning molekylparametrar (deskriptorer) och bygga en matematisk modell baserad på dessa ingångar. Modellen kan visa sig ganska exakt, men det kan vara svårt att tolka på grund av ett stort antal parametrar. Och ännu värre, modellen kanske inte fungerar korrekt för föreningar som skiljer sig starkt från dem i träningsuppsättningen.
Den andra metoden är baserad på den molekylära teorin om vätskor som beskriver ämnets beteende i lösningar. Dock, biokoncentration är en komplex parameter som beror på en mängd olika faktorer, så det kan knappast förutses genom att direkt tillämpa fysikalisk -kemisk teori.
Forskare från Skoltech, University of Tartu (Estland) och University of Strathclyde (UK), ledd av Skoltech -professor Maxim Fedorov, utvecklat en hybrid BCF-prediktionsmetod som består av två steg:först gör forskarna fysikalisk-kemiska beräkningar för att erhålla 3-D-densiteter av väte och syre runt molekylen som studeras och sedan tillämpa 3D-konvolutionella neurala nätverk-en teknik som framgångsrikt används i bildigenkänning. Detta tillvägagångssätt visar att de komplexa egenskaperna hos organiska ämnen kan beskrivas även med en liten mängd ingångsdata.
"Vår metod kommer att göra det mycket lättare att förutsäga miljöpåverkan av ett visst ämne. Men det viktigaste är att vi har utvecklat en universell metod för att beskriva en molekyl på ett sådant sätt att dess 3D-bild kan överföras till en 3D-konvolutionellt neuralt nätverk. På lång sikt, vår metod kommer att hjälpa till att förutsäga egenskaperna hos olika 'exotiska' molekyler och nya föreningar där de befintliga struktur-egenskap-sambandsmetoderna inte fungerar, "sa första författaren och Skoltech doktoranden Sergey Sosnin.
