基于PCA、分位数变换与集成建模的GWP预测深度学习框架

开发环保制冷剂对于减轻人为温室气体对全球变暖的影响至关重要。本研究提出了一个预测框架，用于估计单组分制冷剂的100年全球变暖潜能（GWP 100），其使用在Multi-Sigma平台上实现的全连接神经网络。来自RDKit、Mordred和alvaDesc的分子描述符用于捕获各种化学特征。基于RDKit的模型实现了最佳性能，均方根误差（RMSE）为481.9，R2得分为0.918，显示出卓越的预测准确性和可推广性。通过主成分分析（PCA）和分位数变换应用于数据集的高维和偏斜性，以增强模型的稳定性和性能。因素分析识别出关键分子特征，包括分子量、lipophilicity以及如腈烷和allylic氧化物等官能团，作为GWP值的重要贡献者。这些发现为设计环保制冷剂提供了可操作的指导。将RDKit描述符与Multi-Sigma框架集成（包括PCA、分位数变换和神经网络），为快速虚拟筛选低GWP制冷剂提供了可扩展解决方案。这一方法可能加速环保替代品的识别，直接促进气候减缓，通过使设计下一代制冷剂成为可能，与全球可持续发展目标保持一致。