論文の概要: Graph Neural Networks for Surfactant Multi-Property Prediction
- arxiv url: http://arxiv.org/abs/2401.01874v1
- Date: Wed, 3 Jan 2024 18:32:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-04 13:24:32.652359
- Title: Graph Neural Networks for Surfactant Multi-Property Prediction
- Title（参考訳）: サーファクタントマルチプロパティ予測のためのグラフニューラルネットワーク
- Authors: Christoforos Brozos, Jan G. Rittig, Sandip Bhattacharya, Elie Akanny,
Christina Kohlmann, Alexander Mitsos
- Abstract要約: グラフニューラルネットワーク (GNN) は, イオン液体, 高分子, 薬物の物性予測において, 高い予測性能を示した。
429個の分子を持つ最大のCMCデータベースを作成し、表面過剰濃度のための最初の大規模データ収集を行った。
GNNはCMCの高精度な予測を行い、将来の産業応用の可能性を示している。
- 参考スコア（独自算出の注目度）: 38.39977540117143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Surfactants are of high importance in different industrial sectors such as
cosmetics, detergents, oil recovery and drug delivery systems. Therefore, many
quantitative structure-property relationship (QSPR) models have been developed
for surfactants. Each predictive model typically focuses on one surfactant
class, mostly nonionics. Graph Neural Networks (GNNs) have exhibited a great
predictive performance for property prediction of ionic liquids, polymers and
drugs in general. Specifically for surfactants, GNNs can successfully predict
critical micelle concentration (CMC), a key surfactant property associated with
micellization. A key factor in the predictive ability of QSPR and GNN models is
the data available for training. Based on extensive literature search, we
create the largest available CMC database with 429 molecules and the first
large data collection for surface excess concentration ($\Gamma$$_{m}$),
another surfactant property associated with foaming, with 164 molecules. Then,
we develop GNN models to predict the CMC and $\Gamma$$_{m}$ and we explore
different learning approaches, i.e., single- and multi-task learning, as well
as different training strategies, namely ensemble and transfer learning. We
find that a multi-task GNN with ensemble learning trained on all $\Gamma$$_{m}$
and CMC data performs best. Finally, we test the ability of our CMC model to
generalize on industrial grade pure component surfactants. The GNN yields
highly accurate predictions for CMC, showing great potential for future
industrial applications.
- Abstract（参考訳）: 界面活性剤は化粧品、洗剤、油回収、ドラッグデリバリーシステムなど、様々な産業分野で重要である。
そのため, 界面活性剤に対するQSPRモデルの開発が数多く行われている。
それぞれの予測モデルは典型的には1つの界面活性剤クラス(主に非イオン)に焦点を当てる。
グラフニューラルネットワーク (GNN) は, イオン液体, 高分子, 薬物の物性予測において, 高い予測性能を示した。
特に界面活性剤について、GNNは、ミセル化に関連する重要な界面活性剤である臨界ミセル濃度(CMC)を予測できる。
QSPRとGNNモデルの予測能力の重要な要素は、トレーニングに利用可能なデータである。
広範な文献検索に基づいて、429分子のCMCデータベースと164分子の発泡に関連する別の界面活性剤である表面過剰濃度(Gamma$$_{m}$)のための最初の大規模なデータ収集を作成する。
次に,CMCと$\Gamma$$_{m}$を予測するためのGNNモデルを開発し,シングルタスク学習,マルチタスク学習,およびアンサンブル学習とトランスファー学習の異なる学習戦略について検討する。
すべての$\gamma$$_{m}$とcmcデータでトレーニングされたアンサンブル学習を備えたマルチタスクgnnが最適であることがわかった。
最後に, 工業レベルの純成分界面活性剤を一般化するcmcモデルの性能試験を行った。
GNNはCMCの高精度な予測を行い、将来の産業応用の可能性を示している。
関連論文リスト
- Predicting the Temperature-Dependent CMC of Surfactant Mixtures with Graph Neural Networks [36.814181034608666]
界面活性剤は、様々な産業で発泡および浄化の鍵となる材料である。
実際には、界面活性剤の混合物は通常、性能、環境、コストの理由から使用される。
本研究では,CMCの温度依存性を予測するため,界面活性剤混合物のグラフニューラルネットワークフレームワークを開発した。
論文 参考訳（メタデータ） (2024-11-04T16:17:57Z) - Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。
DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。
特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文 参考訳（メタデータ） (2024-09-23T17:11:04Z) - Predicting the Temperature Dependence of Surfactant CMCs Using Graph
Neural Networks [38.39977540117143]
古典的QSPRとグラフニューラルネットワーク(GNN)は室温での界面活性剤のCMC予測に成功している。
本稿では,界面活性剤の温度依存性CMC予測のためのGNNモデルを提案する。
論文 参考訳（メタデータ） (2024-03-06T15:03:04Z) - Activity Cliff Prediction: Dataset and Benchmark [20.41770222873952]
本稿ではまず,AC予測のための大規模データセットACNetを紹介する。
ACNetは400K以上のMMP(Matched Molecular Pairs)を190のターゲットに対してキュレートする。
本稿では、深いニューラルネットワークで符号化された分子表現の予測性能を交流予測のためにベンチマークするためのベースラインフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-15T09:19:07Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Graph Neural Networks for Temperature-Dependent Activity Coefficient
Prediction of Solutes in Ionic Liquids [58.720142291102135]
IL中の溶質の温度依存性無限希釈交流を予測するためのGNNを提案する。
我々は、GNNを4万以上のAC値を含むデータベース上でトレーニングし、最先端のMCMと比較する。
GNNとMCMも同様に高い予測性能を達成し、GNNはトレーニング中に考慮されていないILと溶質を含む溶液のACに対して高品質な予測を可能にする。
論文 参考訳（メタデータ） (2022-06-23T15:27:29Z) - Orbital Graph Convolutional Neural Network for Material Property
Prediction [0.0]
本稿では,結晶グラフ畳み込みニューラルネットワークフレームワークであるOrbital Graph Convolutional Neural Network (OGCNN)を提案する。
OGCNNには、材料特性を堅牢な方法で学習する原子軌道相互作用機能が含まれている。
本研究では, このモデルの性能について, 様々な特性を予測するために, 広範囲の結晶材料データを用いて検討した。
論文 参考訳（メタデータ） (2020-08-14T15:22:22Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z) - Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。
MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
論文 参考訳（メタデータ） (2020-02-26T06:10:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。