机器学习预测含铁分子配合物与蛋白模型的实验穆斯堡尔谱性质

基于 522 个化合物的精选实验数据集，深度学习模型 Chemprop 在测试集上对同质异能位移（IS）和四极分裂（QS）的 R² 分别达到 0.92 和 0.73，在全数据集上为 0.98 和 0.91。该模型对 heme 与非 heme 蛋白中多个铁位点及第一、第二配位层模型的预测复现了此前与实验高度吻合的 DFT 结构预测，尽管训练中未使用任何蛋白数据。相比相同几何构型下的 DFT 计算，该方法将计算时间缩短 218 倍。这是首个针对分子铁配合物穆斯堡尔数据的机器学习工作，有望用于大规模铁配合物与铁蛋白结合位点结构的快速筛选。