Integration of Quantum Calculations and Deep Learning for Atomic Reactivity Prediction

Sammanfattning

Att identifiera reaktiva centra i molekyler är en central utmaning inom läkemedelsutveckling, där experimentella metoder ofta är både tidskrävande och resurskrävande. I detta examensarbete presenteras ett beräkningsbaserat arbetsflöde som syftar till att beräkna kvantmekaniska atomära egenskaper och använda dessa som indata till ett grafneuronalt nätverk (GNN) för att förutsäga lokala molekylära egenskaper som är relevanta för kemisk reaktivitet. Syftet är att stödja prediktion av reaktionsutfall och minska behovet av laboratorietester. Arbetsflödet kombinerar kvantkemiska beräkningar med VeloxChem och annan kemisk programvara som RDKit för att ta fram atomära egenskaper – inklusive elektronaffinitet, joniseringsenergi, elektroninfångningsenergi (electron attachment energy), elektrostatisk potential, atomladdningar och polariserbarhet – för atomer i ett urval av molekyler. Automatiserade förbehandlingssteg har också utvecklats för att simulera olika kemiska miljöer genom att deprotonera hydroxylgrupper och protonera kväveatomer. Ett GNN-modell tränades i PyTorch med syfte att återskapa dessa atomära egenskaper från molekylstrukturer. Resultaten visar att flera av de beräknade egenskaperna korrelerar väl med känd reaktivitet, medan andra är mindre informativa. Den tränade modellen lyckades återge trender i egenskaper inom rimliga felmarginaler och utgör därmed en lovande grund för vidare utveckling. Trots begränsningar i modellarkitektur och dataset visar arbetet att det är möjligt att använda kvantmekaniskt informerade GNN-modeller för att modellera kemisk reaktivitet. Vidareutveckling kan inkludera större datamängder och mer avancerade nätverksarkitekturer för att direkt prediktera reaktiva centra och därmed stödja reaktionsprediktion. Metoden belyser potentialen i att kombinera kvantkemi och djupinlärning för att effektivisera tidiga steg i läkemedelsutveckling.