基于 Org-Mol 的有机化合物高精度物理性质预测：从数据到发现
化学物理
2025-07-24 v1
摘要
能源危机凸显了对高能源利用效率材料的迫切需求，推动了对有机化合物的研究浓潮，这些化合物因环境兼容性、经济高效的加工工艺以及多样化的可调节性而备受青睐。为解决传统试错方法在发现高度功能性有机化合物过程中高昂的实验成本和耗时的困境，我们应用基于 3D 变换器的分子表征学习算法构建了一个使用 6000 万个半经验优化小分子有机化合物结构构成的预训练模型，称为 Org-Mol，然后通过公开实验数据进行微调，以获得针对各种物理性质的预测模型。尽管预训练过程仅依赖于单个分子坐标，微调后的模型仍实现了高准确率（测试集的 值超过 0.95）。我们将这些微调模型应用于高通量筛选过程中，从数百万自动构建的酯类分子中识别出两种有前景的新型浸没冷却剂，并获得了实验验证。该工作不仅展示了 Org-Mol 在预测有机化合物 bulk 属性方面的潜力，也为合理且高效地开发理想能源节约材料的候选者指明了道路。
引用
@article{arxiv.2501.09896,
title = {High-Accuracy Physical Property Prediction for Organics via Molecular Representation Learning: Bridging Data to Discovery},
author = {Qi Ou and Hongshuai Wang and Minyang Zhuang and Shangqian Chen and Lele Liu and Ning Wang and Zhifeng Gao},
journal= {arXiv preprint arXiv:2501.09896},
year = {2025}
}