分子转动惯量与正烷烃熔沸点的预测

在分子转动模型基础上,以半经验分子轨道(AM1)方法计算分子的转动惯量及其它结构参数,获得15个正烷烃的沸点和熔点的多元线性回归方程。其中正烷烃的沸点与短轴转动惯量(c)和碳原子数(n)相关 (bp=-147.2-0.01189c+36.17n, R=0.9985, SD=6.97), 而熔点与分子的长轴转动惯量(a)、短轴转动惯量(b,c)及重定向能(E)相关(mp=-260.3+15.70a +19.74b -19.76c +1.30E, R=0.99991, SD=1.07)。分子的长轴转动惯量和重定向能与正烷烃熔点的奇－偶锯齿形规律相关。     

应用理论化学方法预测有机分子的标准摩尔生成焓

介绍一个针对高年级本科生开设的计算化学创新性实验,采用高斯理论计算一系列有机小分子的构型和热化学性质,并通过原子化反应法计算其标准摩尔生成焓.该实验可让学生初步掌握相关计算软件的使用,了解不同计算方法的适用范围,认识理论与实验相结合的实践途径.     

有机分子笼的合成及应用

近年来,作为一类具有永久空腔结构的三维有机分子,有机分子笼引起了科研工作者的广泛关注,在超分子化学中（主要是主客体相互作用）扮演着重要角色。早期研究中通常采用不可逆法制备有机分子笼,往往存在反应步骤多、分离提纯复杂、合成难度大等问题。为了有效解决上述问题,研究人员将动态共价化学引入到有机分子笼的合成中,从而简单、高效地制备出一系列不同的有机分子笼。关于有机分子笼的应用研究也在不断拓展中。研究发现,有机分子笼不仅在分子识别、分子反应器等方面存在广阔的应用前景,而且其可以通过自组装形成多孔材料,在气体吸附、分离等领域展现了巨大的应用潜能。本文中,我们综述了有机分子笼在合成方法（主要基于动态共价化学反应）及应用研究方面的最新进展。     

基于机器学习方法的丙型肝炎病毒非结构蛋白5B聚合酶抑制剂活性预测

在丙型肝炎病毒(HCV)的基因复制和蛋白质成熟的过程中, 非结构蛋白5B(NS5B)作为RNA依赖的RNA聚合酶起到了重要的作用. 抑制NS5B聚合酶可以阻止丙型肝炎病毒的RNA复制, 因此成为一种治疗丙型肝炎的有效方法. 通过计算机方法进行虚拟筛选和预测NS5B聚合酶抑制剂已经变得越来越重要. 本文主要采用机器学习方法(支持向量机(SVM)、k-最近相邻法(k-NN)和C4.5决策树(C4.5 DT))对已知的丙型肝炎病毒NS5B蛋白酶抑制剂与非抑制剂建立分类预测模型. 1248个结构多样性化合物(552个NS5B抑制剂与696个非NS5B抑制剂)被用于测试分类预测系统, 并用递归变量消除法选择与NS5B抑制剂相关的性质描述符以提高预测精度. 独立验证集的总预测精度为84.1%-85.0%, NS5B抑制剂的预测精度为81.4%-91.7%, 非NS5B抑制剂的预测精度为78.2%-87.2%. 其中支持向量机给出最好的NS5B抑制剂预测精度(91.7%); C4.5决策树给出最好的非NS5B抑制剂预测精度(87.2%); k-最近相邻法给出最好的总预测精度(85.0%). 研究表明机器学习方法可以有效预测未知数据集中潜在的NS5B抑制剂, 并有助于发现与其相关的分子描述符.     

有机杂环分子的双光子吸收特性

利用少态模型和密度泛函理论计算了新近合成的三个具有有机杂环结构的苯并噻唑衍生物的非线性光学性质. 计算结果表明，随着有机分子的分子电子离域结构的增大，最大吸收峰红移.当共轭链较长时，共轭链的增长对增强分子双光子吸收截面的影响远大于吸电子基强度变化的影响.该类分子具有较好的双光子吸收特性.最后给出了三个分子的电荷转移过程.     

基于机器学习方法的激素敏感脂肪酶抑制剂活性预测(英文)

脂肪组织中,激素敏感脂肪酶(HSL)被认为是调节脂肪酸代谢的关键限速酶.HSL在糖尿病的发病过程中起重要作用,抑制HSL活性有助于糖尿病的治疗,因此探索新颖的HSL抑制剂成为当前研究的热门.在激素敏感脂肪酶的作用机制和三维结构缺乏的情况下,需要发展预测HSL抑制剂的方法.本文采用几种机器学习方法(支持向量机(SVM)、k-最近相邻法(k-NN)和C4.5决策树(C4.5DT))对已知的HSL抑制剂与非抑制剂建立分类预测模型.252个结构多样性化合物(123个HSL抑制剂与129个HSL非抑制剂)被用于测试分类预测系统,并用递归变量消除法选择与HSL抑制剂相关的性质描述符以提高预测精度.本研究对独立验证集的总预测精度为75.0%-80.0%,HSL抑制剂的预测精度为85.7%-90.5%,非HSL抑制剂的预测精度为63.2%-68.4%.支持向量机方法给出最好的总预测精度(80.0%).本研究表明支持向量机等机器学习方法可以有效预测未知数据集中潜在的HSL抑制剂,并有助于发现与其相关的分子描述符.     

基于分子描述符和机器学习方法预测和虚拟筛选乳腺癌靶向蛋白HEC1抑制剂

HEC1(癌症高表达蛋白)是纺锤体检查点控制、着丝粒功能、细胞存活的关键的有丝分裂调节器,与原发性乳腺癌的不良预后有关.筛选具有高亲和力的HEC1新型抑制剂对探索乳腺癌的靶向治疗具有重要意义.本文从结构多样性的化合物库中筛选HEC1抑制剂.通过对分子描述符的特征筛选,采用支持向量机(SVM)和随机森林(RF)方法分别对HEC1抑制剂和非抑制剂建立了分类模型.经对比, RF模型显示了更好的预测精度.我们采用RF模型对HEC1抑制剂进行了虚拟筛选,从“in-house”实体库筛选得到2个潜在的HEC1抑制剂分子.随后对筛出的化合物进行了体外活性实验,发现对乳腺癌细胞株MDA-MB-468和MDA-MB-231均有一定程度的抗肿瘤活性.研究结果表明,机器学习方法对于设计和虚拟筛选HEC1抑制剂有良好的效果.     

基于分子描述符和机器学习方法预测和虚拟筛选MMP-13对MMP-1的选择性抑制剂

基质金属蛋白酶-13(MMP-13)为预防和治疗骨关节炎(OA)提供了充满希望的靶标.通过抑制剂来阻断MMP-13的活性将会对治疗OA疾病产生潜在的作用.然而,宽谱抑制剂同样抑制MMP家族的其它成员,特别是MMP-1,这将会导致肌与骨的综合症.因此,设计和发现潜在的MMP-13相对于MMP-1的高效选择性抑制剂,在对治疗OA新型药物的研发中具有相当重要的现实意义.本研究通过两种机器学习方法(ML):支持向量机(SVM)和随机森林(RF)来建立分类模型,用于预测不同结构的MMP-13对MMP-1的选择性抑制剂.所建这些模型的预测效果都已经达到了令人满意的精度.在这两种ML模型中,RF对于MMP-13选择性抑制剂和非抑制剂的精度分别达到97.58%和100%.同时,与MMP-13对MMP-1的选择性抑制最相关的分子描述符也基于不同的特征选择方法被两种模型挑选出来.最后,用预测效果最好的RF模型虚拟筛选了ZINC数据库的"fragment-like"子集,从而得到了一系列潜在的候选药物.研究表明,机器学习方法,特别是RF方法,对于发现潜在的MMP-13选择性抑制剂十分有效.同时还得到了一些与MMP-13的选择性抑制相关的分子描述符.     

基于QSAR模型的有机磷化合物毒性预测

随着有机磷化合物(OPs)的广泛应用,其在越来越多的环境介质中被检测出来。大多数OPs具有毒性,但人们缺乏快速且有效的预测手段来对毒性进行评估。本文将结合E-Dragon软件计算的分子描述符,采用不同的QSAR模型对36个OPs的毒性进行预测。文中采用后退法作为描述符筛选方法,以均方根误差(RMSE)作为评价标准,共找到14个对线性核函数支持向量机(SVM)模型贡献较大的描述符;在最终得到的SVM模型交叉验证结果中,计算值与实际值的相关系数为0. 913,均方根误差为0. 388;外部测试验证结果中,平均相对误差为9. 10%。此外,采用多元线性回归(MLR)、人工神经网络(ANN)以及偏最小二乘回归(PLS)模型对OPs的毒性进行预测,交叉验证结果显示,三个模型的计算值与实际值的相关系数分别为0. 878、0. 686与0. 620,没有SVM模型的预测能力好。因此采用线性核函数的SVM模型对OPs进行毒性预测是一个行之有效的方法。     

医用有机化学实验“有机分子模型的建造”教学设计

为帮助学生消化理论课堂上二维空间展示的有机化合物结构特点,开设有机分子模型的建造的三维实验课堂,采用PBL教学模式,提出有关分子模型结构特点和性质的问题,让学生带着问题亲自动手参与到有机分子模型的建造中,并结合理论课程来回答相应的问题,既能帮助学生理解和掌握有机分子的空间结构,以及结构和性质之间的关系,更有助于加强学生的动手能力和空间想象能力。问卷调查和实验报告显示:大部分学生认可并接受这一新的教学方法,教学效果良好。     

利用人工神经网络法预测烷烃的沸点

有机物沸点是有机物的一种非常重要的性质 .采用人工神经网络模型 ,选用结构描述码作为输入特征参数对烷烃的沸点进行预测 ,得到了很高的预测精度 .该方法还可作为对有机化合物的其他性质进行预测的一种有效手段     

BAND NN: A Deep Learning Framework for Energy Prediction and Geometry Optimization of Organic Small Molecules

Recent advances in artificial intelligence along with the development of large data sets of energies calculated using quantum mechanical (QM)/density functional theory (DFT) methods have enabled prediction of accurate molecular energies at reasonably low computational cost. However, machine learning models that have been reported so far require the atomic positions obtained from geometry optimizations using high-level QM/DFT methods as input in order to predict the energies and do not allow for geometry optimization. In this study, a transferable and molecule size-independent machine learning model bonds (B), angles (A), nonbonded (N) interactions, and dihedrals (D) neural network (BAND NN) based on a chemically intuitive representation inspired by molecular mechanics force fields is presented. The model predicts the atomization energies of equilibrium and nonequilibrium structures as sum of energy contributions from bonds (B), angles (A), nonbonds (N), and dihedrals (D) at remarkable accuracy. The robustness of the proposed model is further validated by calculations that span over the conformational, configurational, and reaction space. The transferability of this model on systems larger than the ones in the data set is demonstrated by performing calculations on selected large molecules. Importantly, employing the BAND NN model, it is possible to perform geometry optimizations starting from nonequilibrium structures along with predicting their energies. © 2019 Wiley Periodicals, Inc.     

Prediction of Chromatography Conditions for Purification in Organic Synthesis Using Deep Learning

In this research, a process for developing normal-phase liquid chromatography solvent systems has been proposed. In contrast to the development of conditions via thin-layer chromatography (TLC), this process is based on the architecture of two hierarchically connected neural network-based components. Using a large database of reaction procedures allows those two components to perform an essential role in the machine-learning-based prediction of chromatographic purification conditions, i.e., solvents and the ratio between solvents. In our paper, we build two datasets and test various molecular vectorization approaches, such as extended-connectivity fingerprints, learned embedding, and auto-encoders along with different types of deep neural networks to demonstrate a novel method for modeling chromatographic solvent systems employing two neural networks in sequence. Afterward, we present our findings and provide insights on the most effective methods for solving prediction tasks. Our approach results in a system of two neural networks with long short-term memory (LSTM)-based auto-encoders, where the first predicts solvent labels (by reaching the classification accuracy of 0.950 ± 0.001) and in the case of two solvents, the second one predicts the ratio between two solvents (R² metric equal to 0.982 ± 0.001). Our approach can be used as a guidance instrument in laboratories to accelerate scouting for suitable chromatography conditions.     

用一种新式的串珠分子模型来介绍分子的点群

利用生活中常见的串珠编制分子模型,得到了一系列属于不同点群的C84同分异构体的串珠分子模型。这些模型可作为可视化教具,帮助学生理解抽象的分子点群的相关知识,也可以作为科普产品向大家介绍与对称性相关的知识。