利用图神经网络预测科瓦茨保留指数
化学物理
2021-01-01 v1
摘要
科瓦茨保留指数是一个无量纲量，表征化合物通过气相色谱柱的速率。该量独立于许多实验变量，因此被视为色谱柱上保留时间的近乎通用的描述符。大量分子的科瓦茨保留指数已通过实验确定。“NIST 20: GC Method/Retention Index Library”数据库收集并且更重要的是整理了这些化合物中一个子集的保留指数，从而形成一个极受重视的参考数据库。该库中的实验数据构成了用于训练机器学习模型以预测未知化合物保留指数的理想数据集。在本文中，我们描述了训练一个图神经网络模型来预测NIST库中化合物的科瓦茨保留指数，并将该方法与先前的工作\cite{2019Matyushin}进行比较。我们预测科瓦茨保留指数的平均无符号误差为28个指数单位，而使用卷积神经网络的假定最佳结果为44\cite{2019Matyushin}。NIST库还采用了一种基于基团贡献法的估算方案，与实验数据相比平均无符号误差为114。我们的方法使用与基团贡献法相同的输入数据源，使其应用直接且便于应用于现有库。我们的结果令人信服地展示了系统的、数据驱动的方法在应用于化学数据时的预测能力，并且对于NIST 20库中的数据优于先前的模型。
引用
@article{arxiv.2012.14798,
title = {Predicting Kovats Retention Indices Using Graph Neural Networks},
author = {Chen Qu and Barry I. Schneider and Anthony J. Kearsley and Walid Keyrouz and Thomas C. Allison},
journal= {arXiv preprint arXiv:2012.14798},
year = {2021}
}