基于分位数几何增强图神经网络的色谱对映体分离保留时间预测
数据分析、统计与概率
2023-06-21 v2 机器学习
摘要
提出了一种新的研究框架，将机器学习技术引入实验化学领域以促进色谱对映体分离。建立了高效液相色谱中手性分子保留时间文档数据集（CMRT 数据集）以应对数据获取的挑战。基于 CMRT 数据集，提出了一种分位数几何增强图神经网络来学习分子结构-保留时间关系，其对对映体表现出令人满意的预测能力。将色谱领域知识融入机器学习模型以实现多柱预测，这为通过计算分离概率进行色谱对映体分离预测铺平了道路。实验证实所提出的研究框架在保留时间预测和促进色谱对映体分离方面表现良好，这为机器学习技术在实验场景中的应用提供了启示，并提高了实验者的效率以加速科学发现。
引用
@article{arxiv.2211.03602,
title = {Retention Time Prediction for Chromatographic Enantioseparation by Quantile Geometry-enhanced Graph Neural Network},
author = {Hao Xu and Jinglong Lin and Dongxiao Zhang and Fanyang Mo},
journal= {arXiv preprint arXiv:2211.03602},
year = {2023}
}