[JCIM | 论文简读 ] 有机氟分子亲脂性的快速预测:深度学习提取的极性特征和实验测试

简读分享 | 王宇哲 编辑 | 陈兴民

论文题目

Fast Prediction of Lipophilicity of Organofluorine Molecules: Deep Learning-Derived Polarity Characters and Experimental Tests

论文摘要

快速、准确地估计有机氟分子的亲脂性是加速药物和材料开发的迫切需要。通过密度泛函理论(DFT)计算和实验测量，构建了包含1907个样品的有机氟分子亲脂性数据集(OFL数据集)。基于极性描述子(包括分子极性指数和分子极化率(α))和氢键指数(包括给体数(NHBD)和受体数(NHBA和NHB-FA)的组合，建立了一个高效的、可解释的有机氟分子正辛醇/水分配系数log Po/w的极化描述子模型PoLogP。对于含氟分子，结合极性描述子的PoLogP比单独的偶极矩(μ)表现得更好。借助多层注意力图卷积神经网络模型，只需基于拓扑分子图结构就能快速生成有机氟分子的极性描述子，且具有DFT的准确性。在合成的有机氟分子和2626个非氟分子上进一步验证了PoLogP的性能，精度令人满意，突出了PoLogP在高通量筛选在各种溶剂介质中具有理想溶解度的功能分子方面的潜力。

论文链接

https://pubs.acs.org/doi/10.1021/acs.jcim.2c01201