分会

第五十四分会：物理有机化学

摘要

金属卟啉作为仿生催化剂的研究已有120多年的历史，至今为止已经积累了大量的数据，这为深度学习发现潜在化学规律和结构功能关系提供了坚实的基础。本研究系统研究了金属卟啉深度学习的关键组成部分，包括数据库、分子表示和模型架构。提出了一种构建金属卟啉规范SMILES表示方式的方案，并用于在现有的计算数据库中表示超过10,000种金属卟啉的二维结构。之后，使用几种最先进的化学深度学习模型，包括基于图神经网络的模型和基于自然语言处理的模型，被用于预测金属卟啉的能隙。其中定向消息传递神经网络(D-MPNN)模型和BERT模型都显示了令人满意的预测性能(R2 > 0.94)，且仅将金属卟啉规范SMILES表示方式作为唯一的结构信息来源。此外，利用无监督可视化算法解释深度学习模型学习到的分子特征。

关键词

金属卟啉;数据库;分子表示;深度学习;分子性质预测

线上墙报仅限年会已缴费参会代表观看。

您还没有登录，请您先 点击这里登录