3、基于深度学习的临界性质预测QSPR建模

基于深度学习的临界性质预测QSPR建模

1. 引言

化学过程和产品设计在很大程度上依赖于物理性质（如临界性质）和预测模型。为了研究分子结构与性质之间的关系，人们开发了大量的数学模型。大多数预测模型基于半经验的定量结构 - 性质关系（QSPR），包括基团贡献（GC）方法和拓扑指数（TIs）。

• 基团贡献（GC）方法 ：任何化合物都可以分解为片段（如原子、键、原子和键的基团）。每个片段都有一个部分值，称为贡献值，最终的性质值是通过将这些片段的贡献值相加得到的。例如，Lydersen、Klincewicz和Reid、Joback和Reid、Constantinou和Gani以及Marrero和Gani等人报道的GC方法通常适用于获取物理性质的值，因为这些方法具有无需大量计算工作即可快速估算的优点。
• 拓扑指数（TIs）方法 ：与GC方法类似，TI方法用于估计性质。在TI方法中，分子拓扑结构是根据标准分子图的性质（如顶点度、连通性、原子类型等）来表征的。此外，TI方法的一个主要优点是，与GC方法相比，它可以从更全面的角度区分两种相似的结构。
• 签名分子描述符方法 ：Faulon等人开发了一种结合了GC和TI方法优点的“签名分子描述符”。与TI方法类似，化学结构被视为化学图。签名描述符保留了分子中每个原子的所有结构和连接信息，而不是为整个分子图赋予各种数值。同时，签名描述符具有类似于GC方法的表示分子子结构的能力。Faulon等人还引入了分子签名的规范形式来解决分子图同构问题，它提供了描绘分子图的整体图像，并保留了分子的子结构信息。然而，之前