构象体质量对分子构象系综学习表示的影响
机器学习
2025-03-07 v2 化学物理
摘要
训练机器学习模型来预测分子构象系综的性质，是加速类药小分子、反应性有机底物和均相催化剂构象分析的日益流行的策略。特别是对于高通量分析，训练的代理模型可以帮助规避依赖昂贵构象搜索和几何优化的传统构象分析方法。在此，我们提出疑问：用于预测三维构象相关性质（单一活性构象的）代理模型的性能，如何受到作为其输入的三维构象体质量的影响。低质量构象体在预测高质量构象体性质时能提供多少信息？在编码随机构象体时，几何优化的保真度是否重要？对于编码构象体集合的模型，诱导目标性质的活性构象体的存在如何影响模型精度？代理模型的预测与直接从廉价系综本身估计性质相比如何？我们在预测由密度泛函理论优化的构象系综的 Sterimol 参数的背景下探讨了这些问题。尽管答案需视具体情况而定，但我们的分析为三维表示学习模型提供了有价值的视角，并提出了关于构象体质量何时重要的实际考量。
引用
@article{arxiv.2502.13220,
title = {The impact of conformer quality on learned representations of molecular conformer ensembles},
author = {Keir Adams and Connor W. Coley},
journal= {arXiv preprint arXiv:2502.13220},
year = {2025}
}