CH4, CO2和H2O在非金属原子修饰石墨烯表面的吸附

煤层气(矿井瓦斯)是一种有望替代传统化石燃料，如煤、石油和天然气的非常规气体. 作为可得的清洁能源，它的利用被认为是节能和经济的选择. 在本工作中，非金属原子X(X=H，O，N，S，P，Si，F，Cl)修饰的石墨烯(Gr)被用来代表具有结构异性的煤表面模型. 通过密度泛函理论系统地研究了煤层气组分Y(Y=CH₄，CO₂，H₂O)在非金属原子修饰石墨烯上的吸附作用. 结果表明Y在非金属原子修饰石墨烯上的吸附均为物理吸附. 态密度和差分电荷密度共同表明了这种弱的相互作用.其中，H和Cl对CH₄的作用较大； N、O、F、Cl对CO₂的作用较强； N，Cl对H₂O的影响不容忽视. 总的来说，吸附能大小依次为：H₂O>CO₂>CH₄. 因此，在CH₄富集的煤层里注入H₂O或CO₂可以与CH₄形成竞争吸附，进而提高煤层气采收率. 本工作提供了在分子水平下煤层气与非金属原子修饰石墨烯之间的相互作用的详情，并为煤层瓦斯的开采与分离提供了有用的信息.     

XSO_2NCO(X=F,Cl)分子振动光谱的从头算研究——谐性力场和频率分布

采用从头算方法以 6 31G 基组对XSO2 NCO(X =F ,Cl)分子的振动谐性力场和红外光谱进行了研究 .由最小二乘法通过拟合FSO2 NCO分子的理论和实验频率优化了一套力常数校正因子 ,然后将其迁移到ClSO2 NCO分子中 ,以产生一个纯理论预测的振动基频 .利用校正后的力场计算得到FSO2 NCO和ClSO2 NCO的振动频率 ,与实验值比较平均偏差分别为 3cm-1和 5cm-1.根据用校正后力场进行简正坐标分析得到的势能分布 (PED)和从头算红外光谱强度值对此二分子的振动基频的指认进行了讨论 .     

CH4, CO2和H2O在非金属原子修饰石墨烯表面的吸附

煤层气(矿井瓦斯)是一种有望替代传统化石燃料，如煤、石油和天然气的非常规气体. 作为可得的清洁能源，它的利用被认为是节能和经济的选择. 在本工作中，非金属原子X(X=H，O，N，S，P，Si，F，Cl)修饰的石墨烯(Gr)被用来代表具有结构异性的煤表面模型. 通过密度泛函理论系统地研究了煤层气组分Y(Y=CH₄，CO₂，H₂O)在非金属原子修饰石墨烯上的吸附作用. 结果表明Y在非金属原子修饰石墨烯上的吸附均为物理吸附. 态密度和差分电荷密度共同表明了这种弱的相互作用.其中，H和Cl对CH₄的作用较大； N、O、F、Cl对CO₂的作用较强； N，Cl对H₂O的影响不容忽视. 总的来说，吸附能大小依次为：H₂O>CO₂>CH₄. 因此，在CH₄富集的煤层里注入H₂O或CO₂可以与CH₄形成竞争吸附，进而提高煤层气采收率. 本工作提供了在分子水平下煤层气与非金属原子修饰石墨烯之间的相互作用的详情，并为煤层瓦斯的开采与分离提供了有用的信息.     

CH4, CO2和H2O在非金属原子修饰石墨烯表面的吸附

煤层气(矿井瓦斯)是一种有望替代传统化石燃料，如煤、石油和天然气的非常规气体. 作为可得的清洁能源，它的利用被认为是节能和经济的选择. 在本工作中，非金属原子X(X=H，O，N，S，P，Si，F，Cl)修饰的石墨烯(Gr)被用来代表具有结构异性的煤表面模型. 通过密度泛函理论系统地研究了煤层气组分Y(Y=CH₄，CO₂，H₂O)在非金属原子修饰石墨烯上的吸附作用. 结果表明Y在非金属原子修饰石墨烯上的吸附均为物理吸附. 态密度和差分电荷密度共同表明了这种弱的相互作用.其中，H和Cl对CH₄的作用较大； N、O、F、Cl对CO₂的作用较强； N，Cl对H₂O的影响不容忽视. 总的来说，吸附能大小依次为：H₂O>CO₂>CH₄. 因此，在CH₄富集的煤层里注入H₂O或CO₂可以与CH₄形成竞争吸附，进而提高煤层气采收率. 本工作提供了在分子水平下煤层气与非金属原子修饰石墨烯之间的相互作用的详情，并为煤层瓦斯的开采与分离提供了有用的信息.     

CH4, CO2和H2O在非金属原子修饰石墨烯表面的吸附

煤层气(矿井瓦斯)是一种有望替代传统化石燃料，如煤、石油和天然气的非常规气体. 作为可得的清洁能源，它的利用被认为是节能和经济的选择. 在本工作中，非金属原子X(X=H，O，N，S，P，Si，F，Cl)修饰的石墨烯(Gr)被用来代表具有结构异性的煤表面模型. 通过密度泛函理论系统地研究了煤层气组分Y(Y=CH₄，CO₂，H₂O)在非金属原子修饰石墨烯上的吸附作用. 结果表明Y在非金属原子修饰石墨烯上的吸附均为物理吸附. 态密度和差分电荷密度共同表明了这种弱的相互作用.其中，H和Cl对CH₄的作用较大； N、O、F、Cl对CO₂的作用较强； N，Cl对H₂O的影响不容忽视. 总的来说，吸附能大小依次为：H₂O>CO₂>CH₄. 因此，在CH₄富集的煤层里注入H₂O或CO₂可以与CH₄形成竞争吸附，进而提高煤层气采收率. 本工作提供了在分子水平下煤层气与非金属原子修饰石墨烯之间的相互作用的详情，并为煤层瓦斯的开采与分离提供了有用的信息.     

N,N-二甲基-N′-(2′, 3′-二脱氧-3′-硫代胞苷)甲脒水解机理的理论研究

采用密度泛函理论B3LYP/6-31+G(d, p)方法研究了 N,N-二甲基-N′-(2′,3′-二脱氧-3′硫代胞苷)甲脒(甲脒-3TC)分子在气相和水溶液中的水解反应机理. 考虑了两条可能的反应途径: 水分子首先进攻C=N双键的途径(Path A)和先进攻C—N单键的过程(Path B). 计算结果表明气相中两条途径的第一步均是速率控制步骤, Path A比Path B更有利. 采用自洽反应场极化连续模型(CPCM模型)在B3LYP/6-31+G(d, p)水平上研究了反应体系在水溶液中的溶剂化效应. 溶液中第一条途径Path A仍是最优途径.     

氟磺酸氟振动光谱的从头算

采用从头算HF／SCF方法以6-31G基组研究了FOSO2F分子的几何结构、振动谐性力场和红外光谱强度．理论力场由Pulay的标度量子力学方法进行标度,计算得到的振动频率与实验值比较平均偏差为6．3cm-1．根据振动频率的势能分布和从头算红外光谱强度值对此分子的振动基频进行了理论归属．     

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.     

基于机器学习方法的丙型肝炎病毒聚合酶NS5B非核苷抑制剂的定量构效关系研究

对89 个苯并异噻唑和苯并噻嗪类丙型肝炎病毒(HCV) NS5B聚合酶非核苷抑制剂进行了定量构效关系(QSAR)研究. 采用遗传算法组合偏最小二乘(GA-PLS)和线性逐步回归分析(LSRA)两种特征选择方法选择最优描述符子集, 然后建立多元线性回归和偏最小二乘线性回归模型. 并首次尝试使用遗传算法耦合支持向量机方法(GA-SVM)对两种特征选择方法所选的描述符子集分别建立非线性支持向量机回归模型. 三种机器学习方法所建模型均得到比较满意的预测效果. 采用LSRA所选的6 个描述符建立的三个QSAR模型对于测试集的相关系数为0.958-0.962, GA-SVM法给出最好的预测精度(0.962). 采用GA-PLS所选的7个描述符建立的三个QSAR模型对于测试集的相关系数为0.918-0.960, 偏最小二乘回归模型的结果最好(0.960). 本工作提供了一种有效的方法来预测丙型肝炎病毒抑制剂的生物活性, 该方法也可以扩展到其他类似的定量构效关系研究领域.     

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.