用于预测含氧化合物分子质子化能量的位点特异性图神经网络
化学物理
2020-01-10 v1 机器学习
机器学习
摘要
生物油分子评估对于化学品和交通燃料的可持续发展至关重要。这些含氧化合物具有充足的碳、氢和氧原子，可用于开发新的增值分子（化学品或交通燃料）。我们研究的一个动机源于如下事实：使用矿物酸的液相升级是一种具成本效益的化学转化。在该化学升级过程中，向氧原子添加质子（带正电的原子氢）是核心步骤。分子中氧原子的质子化能量决定了反应的热力学可行性及可能的化学反应路径。基于耦合簇理论的量子化学模型被用于计算准确的热化学性质，例如氧原子的质子化能量以及基于质子化的化学转化的可行性。然而，该方法计算成本过高，难以探索庞大的化学转化空间。我们开发了一种图神经网络方法，用于预测数百个生物含氧化合物分子的氧原子质子化能量，以预测水性酸性反应的可行性。我们的方法依赖于一种迭代的局部非线性嵌入，逐渐产生远距离原子的全局影响，以及一个预测质子化能量的输出层。与通常关注单一分子性质预测的图卷积网络相比，我们的方法致力于对分子各个氧原子的位点特异性预测。我们证明，我们的方法能有效学习含氧化合物质子化能量的位置与大小。
引用
@article{arxiv.2001.03136,
title = {Site-specific graph neural network for predicting protonation energy of oxygenate molecules},
author = {Romit Maulik and Rajeev Surendran Array and Prasanna Balaprakash},
journal= {arXiv preprint arXiv:2001.03136},
year = {2020}
}