基于深度学习的金属离子-有机配体配位稳定常数的预测

摘要

金属离子-有机配体配合物的稳定性由金属离子种类、有机配体结构和实验条件三个因素决定。使用传统方法获得配合物的稳定常数耗时耗力,不利于特异性金属螯合剂的高通量筛选。因此,基于多头图注意力网络提出一种综合考虑多种影响因素的配合物稳定常数高通量预测模型。首先,对从数据库中提取的7127个配合物中涉及到的1371个有机分子生成分子属性图,其次利用多头图注意力网络对分子属性图进行特征提取,并将提取的分子特征拼接编码的金属离子和实验条件,最后送入全连接层进行配合物稳定常数的预测。模型在测试集2上的R和RMSE分别为0.956和1.251,表明所构建模型具有良好的泛化能力。此外,将文献中基于密度泛函理论计算的螯合物稳定常数与模型预测值进行对比,结果表明模型更为可靠与高效。