简短的评论
数量:12 (1)DOI: 10.37532 / 2319 - 9822.2022.12 (1) .257Time-Frequency-Like表示和转发设计分子设计使用信号处理和机器学习
收到:2023年1月9日,手稿。tsse - 23 - 89178;编辑器分配2023年:1月11日,PreQC没有。tsse - 23 - 89178 (PQ);综述:2023年1月13日,QC。tsse - 23 - 89178 (Q);修改后:2023年1月18日,手稿。tsse - 23 - 89178 (R);发表日期:2023年1月20日。2319 - 9822.2022.12 Doi: 10.37532 / (1) .257
引用:汉美国时间频率表示和设计在分子设计使用信号处理和机器学习。J空间Explor.2022;12 (1).257
文摘
分子数据的积累等量子力学(QM)理论密度泛函理论(DFTQM)允许机器学习(毫升)加快新发现的分子,药物,和材料。模型,结合QM和ML (QMML)已被证明是非常有效的交付QM以毫升速度精度。在本文中,我们表明,通过合并众所周知的信号处理(SP)技术(如短时傅里叶变换、连续小波分析和能量)到QMML管道,我们可以获得一个强大的机械(QMSPML)可用于分子表示,可视化,提出设计。
关键字
机器学习、分子设计、分子可视化,量子力学,信号处理
介绍
许多化学的终极目标、农药和医药行业设计药物我们渴望和材料属性。纵观历史,研究人员设计出这个问题的各种方法。创建分子与特定的属性。在这些技术中,最耗时和昂贵的过程是反复试验,直到今天仍然在使用。突破在量子力学(QM)和分子设计(MD)世纪之交试图解决这个问题更多科学通过求解薛定谔方程(SE),控制系统动力学在原子尺度。对于大型系统,这个方程是极难解决,促使许多方法的发展大约SEs的解决。这个问题已经彻底解决了文献中cheminformatics和定量结构性质的关系(部分),和大量的分子描述符。不幸的是,他们经常需要大量的领域知识,并不总是转移整个CCS。QM9精度达到进步的能量属性是真正了不起的。然而,许多工作有待完成等领域的分子表征分子捕获所有的特性,或开发新的预测方法更广泛的分子性质低于可接受的化学精度。本研究的目的是看医学问题从不同的角度,用技术启发和深深扎根于SP。面临的挑战是在SP框架内,在执行类似或优于当前最先进的技术,同时也展示在MD管道使用SP的好处。伦敦交通局表示分子的成功预测它们的属性与梅斯低于化学精度表明,这些表示编码高度相关的信息分子。伦敦交通局表示推断从CM,使用原子坐标计算,所以伦敦交通局表示和分子结构之间的联系是显而易见的。
结论
我们在这项研究证明time-frequency-like表征分子的分子表达和可视化的有力工具。我们发现这些表示编码分子的结构、几何、精力充沛、电子和热力学性质。time-frequency-like表示我们演示了一个清晰的关系和结构,精力充沛,电子,和热力学性质的分子使用深卷积神经网络方法在回归框架和QM9基准数据集。支持文档,所有的代码和数据生成和使用在本研究中是可用的。
