学术速运|在机器学习模型中利用基于Shannon熵的描述符，提高分子性质的预测精度

​题目：Harnessing Shannon entropy-based descriptors in machine learning models to enhance the prediction accuracy of molecular properties

文献来源:Journal of Cheminformatics (2023) 15:54

代码：https://github.com/ShannonDescriptors/MLP-based-DNN-models-with-Shannon-entropy-framework.

简介：分子性质的准确预测对于药物分子和其他功能材料的筛选和开发至关重要。传统上，属性特定的分子描述符被用于机器学习模型。这反过来又需要识别和开发目标或问题特定的描述符。此外，从目标描述符使用的角度来看，提高模型的预测精度并不总是可行的。我们利用Shannon熵的框架，基于分子的SMILES, SMARTS 以及 InChiKey，探讨了准确性和可推广性问题。利用各种分子的公共数据库，我们表明，仅仅通过使用直接从SMILES中评估的基于Shannon熵的描述符，就可以显著提高机器学习模型预测的准确性。类似于混合物中气体的分压和总压，我们使用原子分数Shannon熵结合弦表示的总Shannon熵来有效地模拟分子。在回归模型中，所提出的描述符与摩根指纹和SHED等标准描述符相比具有竞争力。此外，我们发现，无论是一个包含基于Shannon熵的描述符的混合描述符集，还是一个使用Shannon熵的多层感知器和图神经网络的优化集成架构，都是协同的，以提高预测精度。这种将Shannon熵框架与其他标准描述符耦合并/或在集成模型中使用它的简单方法，可以帮助它应用于提高化学和材料科学中分子性质预测的性能。

主要内容：

-------------------------------------------

欢迎点赞收藏转发！

下次见！