利用机器学习提升小分子水合自由能预测的准确性与特征洞察
化学物理
2024-11-11 v1 计算物理
摘要
溶剂化自由能的准确预测具有重要意义，因为它决定了溶质在溶液中的行为。在本工作中，我们应用了多种机器学习技术来预测和分析小分子的炼金自由能。我们的方法结合了机器学习模型集成与基于 K 近邻算法的特征处理。探索了两种训练策略：一种基于实验数据，另一种基于分子动力学（MD）模拟与实验测量之间的偏移。后一种方法在预测准确性上取得了显著提升，实现了 0.64 kcal/mol 的平均无符号误差（MUE）。特征分析表明分子几何与拓扑结构是预测炼金自由能的最关键因素，支持了表面张力是关键决定因素的已有理论。此外，偏移结果的特征分析突出了系统内电荷分布的相关性，这与 MD 模拟中所用力场的偏差相关，并可能为改进力场设计提供指导。这些结果表明机器学习方法能够有效捕捉支配溶剂化自由能的复杂特征，为提升预测准确性提供了新途径。
引用
@article{arxiv.2411.05019,
title = {Enhancing Accuracy and Feature Insights in Hydration Free Energy Predictions for Small Molecules with Machine Learning},
author = {Mingjun Han and Yukai Zhang and Taotao Yu and Guodong Du and ChiYung Yam and Ho-Kin Tang},
journal= {arXiv preprint arXiv:2411.05019},
year = {2024}
}