结合自动化与机器学习技术的高通量化学结构-极性关系发现
化学物理
2022-11-22 v1 材料科学
机器学习
摘要
作为有机化合物的基本属性，极性对溶解度与相变温度等诸多分子性质有深远影响。薄层色谱（TLC）是一种常用的极性测量技术。然而，当前 TLC 分析存在若干问题，包括需大量尝试以获取合适条件，以及因非标准化导致的不可重复性。在此，我们描述一种用于 TLC 分析的自动化实验系统。该系统旨在自动执行 TLC 分析，通过在标准化条件下收集大量实验数据来促进高通量实验。利用这些数据集，采用机器学习（ML）方法构建关联有机化合物结构与其极性（使用比移值 Rf）的代理模型。训练后的 ML 模型能以高精度预测有机化合物的 Rf 值曲线。此外，通过此类建模方法亦可发现化合物与其极性间的构成关系，并借助吸附理论阐明其潜在机制。训练后的 ML 模型不仅减少了当前 TLC 分析所需的经验优化，也为条件选择提供通用指导，使 TLC 成为广大科学界易用的工具。
引用
@article{arxiv.2202.05962,
title = {High-throughput discovery of chemical structure-polarity relationships combining automation and machine learning techniques},
author = {Hao Xu and Jinglong Lin and Qianyi Liu and Yuntian Chen and Jianning Zhang and Yang Yang and Michael C. Young and Yan Xu and Dongxiao Zhang and Fanyang Mo},
journal= {arXiv preprint arXiv:2202.05962},
year = {2022}
}