深度电子云-活性与场-活性关系

化学家长期追求用以解释和预测分子性质的通用数学规律。然而，大多数传统定量结构-活性关系（QSAR）模型的应用域有限，例如当应用于与训练分子母核结构不同的分子时，其泛化性能往往较差。本文试图开发一种理论上可预测多样结构分子各种性质的新 QSAR 方法。所提出的深度电子云-活性关系（DECAR）和深度场-活性关系（DFAR）方法包含三个要素：(1) 大量具有活性数据作为训练对象和响应的分子实体；(2) 通过精确密度泛函理论方法得到的三维电子云密度（ECD）或相关场数据作为输入描述符；(3) 足够灵活且强大以学习上述大数据集的深度学习模型。DECAR 和 DFAR 用于区分 977 个甜味分子和 1965 个非甜味分子（采用 6 倍数据增强），其分类性能显著优于使用传统描述符的传统最小二乘支持向量机（LS-SVM）模型。DECAR 和 DFAR 将为建立广泛适用、可累积、可共享的人工智能驱动的 QSAR 系统提供可能途径。它们有望推动一个交互平台的发展，以收集和共享数百万个带注释活性的分子的精确 ECD 和场数据。在足够输入数据下，我们预期会出现若干个针对各种分子活性训练的深度网络。最终，我们可望出现单一的 DECAR 或 DFAR 网络来学习和推断化学分子各种感兴趣的性质。