通过原子力显微镜图像提取分子指纹实现分子鉴定
材料科学
2024-05-08 v1 机器学习
摘要
非接触式原子力显微镜配备CO功能化金属针头（称为 HR-AFM）可提供对单个分子表面吸附结构 unprecedented 分辨率的访问。先前的工作表明，深度学习（DL）模型可从由 3D 堆叠的恒定高度 HR-AFM 图像中检索编码的化学和结构信息，从而实现分子鉴定。在本工作中，我们克服了其限制，采用描述分子结构的 well-established 方法，即直径为 2 的 1024 位扩展连接化学指纹（ECFP4），后者是为亚结构和相似性搜索开发的。ECFP4 提供分子的局部结构信息，其中每个位与分子中特定亚结构相关联。我们的 DL 模型能够从同一 3D HR-AFM 堆栈中提取此优化的结构描述符，并通过虚拟筛选来实现其 ECFP4 的预测识别，在理论图像上的检索准确率达到 95.4\%。此外，与先前的 DL 模型不同，本方法为每个候选分子分配一个置信度得分，即 Tanimoto 相似度，从而提供关于识别可靠性的信息。由于哈希过程的构造，某一亚结构在分子中出现的次数在分子中丢失，这是为了使其在机器学习应用程序中有用。我们展示了可以将基于指纹的虚拟筛选与另一由同一 HR-AFM 堆栈预测化学公式的 DL 模型相结合，从而将鉴定准确率提高到 97.6\%。最后，我们对实验图像进行有限测试，取得了向实际条件下应用此管道方面的有前景的结果。
引用
@article{arxiv.2405.04321,
title = {Molecular Identification via Molecular Fingerprint extraction from Atomic Force Microscopy images},
author = {Manuel González Lastre and Pablo Pou and Miguel Wiche and Daniel Ebeling and Andre Schirmeisen and Rubén Pérez},
journal= {arXiv preprint arXiv:2405.04321},
year = {2024}
}