机器学习模型预测铁配合物穆斯堡尔性质

《Journal of Chemical Information and Modeling》研究团队发表基于 Chemprop 的深度学习模型，用 522 个化合物的精选实验数据训练，预测含铁分子配合物与蛋白模型的穆斯堡尔同质异能位移（IS）和四极分裂（QS）。在测试集上，IS 和 QS 的 R² 分别为 0.92 和 0.73；在全数据集上分别为 0.98 和 0.91。 该模型未使用任何蛋白数据训练，但对 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。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。研究团队称，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。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。