Wetenschappers uit Rusland, Estland en het Verenigd Koninkrijk hebben een nieuwe methode ontwikkeld om de bioconcentratiefactor (BCF) van organische moleculen te voorspellen. Gebruikmakend van de klassieke modellen van fysisch-chemische interacties tussen het oplosmiddel en de opgeloste stof en geavanceerde methoden voor machinaal leren, de nieuwe aanpak maakt het mogelijk om complexe eigenschappen van een stof te voorspellen op basis van een minimale set inputgegevens. De resultaten van het onderzoek zijn gepubliceerd in Journal of Physics:gecondenseerde materie .

Een van de belangrijkste kenmerken van organische stoffen, BCF geeft aan hoeveel van een stof is geconcentreerd in een weefsel in verhouding tot hoeveel van die stof in het milieu aanwezig is in evenwichtsomstandigheden. BCF wordt veel gebruikt bij het beoordelen van de veiligheid van verschillende chemische verbindingen en kan in de praktijk worden gemeten. Bijvoorbeeld, u kunt een teststof in het aquarium plaatsen, wacht tot het evenwicht is bereikt, en meet vervolgens de concentratie ervan zowel in de vis als in het water. Maar wat als u de BCF alleen op basis van berekeningen wilt schatten?

Een manier om dit te doen is door een set molecuulparameters (descriptoren) te genereren en op basis van deze invoer een wiskundig model te bouwen. Het model kan behoorlijk nauwkeurig blijken te zijn, maar het kan moeilijk te interpreteren zijn vanwege een groot aantal parameters. En erger nog, het model werkt mogelijk niet goed voor verbindingen die sterk verschillen van die in de trainingsset.

De tweede methode is gebaseerd op de moleculaire theorie van vloeistoffen die het gedrag van stoffen in oplossingen beschrijft. Echter, bioconcentratie is een complexe parameter die afhankelijk is van verschillende factoren, dus het kan nauwelijks worden voorspeld door de fysisch-chemische theorie direct toe te passen.

Wetenschappers van Skoltech, de Universiteit van Tartu (Estland) en de Universiteit van Strathclyde (VK), onder leiding van Skoltech-professor Maxim Fedorov, ontwikkelde een hybride BCF-voorspellingsmethode die uit twee stappen bestaat:eerst maken de onderzoekers fysisch-chemische berekeningen om 3D-dichtheden van waterstof en zuurstof rond het bestudeerde molecuul te verkrijgen en passen vervolgens 3D convolutionele neurale netwerken toe - een technologie die met succes wordt gebruikt in beeldherkenning. Deze benadering toont aan dat de complexe eigenschappen van organische stoffen zelfs met een kleine hoeveelheid invoergegevens kunnen worden beschreven.

"Onze methode zal het veel gemakkelijker maken om de milieu-impact van een bepaalde stof te voorspellen. Maar het belangrijkste is dat we een universele methode hebben ontwikkeld om een ​​molecuul zo te beschrijven dat het 3D-beeld ervan kan worden overgedragen naar een 3D convolutief neuraal netwerk Op de lange termijn onze methode zal helpen om de eigenschappen van verschillende 'exotische' moleculen en nieuwe verbindingen te voorspellen waar de bestaande methodes voor de relatie tussen structuur en eigenschappen niet werken, " zei eerste auteur en Skoltech PhD-student Sergey Sosnin.