Кількісний аналіз зв’язку між структурою та критичними властивостями індивідуальних органічних сполук
DOI:
https://doi.org/10.15276/opu.1.71.2025.24Ключові слова:
критичні властивості, симплексний підхід, інформаційне поле молекул, метод випадкового лісу, QSPRАнотація
У роботі представлені розроблені та проаналізовані адекватні QSPR моделі щодо критичних властивостей (тиск, температура, об’єм) для бази даних, яка містить 399 органічних сполук таких класів, як насичені та ненасичені вуглеводні, ароматичні вуглеводні, гетероциклічні сполуки, спирти, прості та складні етери та їх похідні. В даній базі представлені карбон-, галоген-, оксиген-, нітроген та сульфуровмісні сполуки. На попередньому етапі роботи всі молекулярні структури сполук бази даних були змодельовані, стандартизовані, перевірені щодо зв’язності і унікальності. Розрахунок структурних дескрипторів проводився на 2D рівні моделювання молекулярної структури у рамках симплексного підходу. Для диференціації вершин симплексів використовувалися не тільки мітки, що відображали природу атомів, але й інші атомні характеристики, зокрема, ван-дер-ваальсові взаємодії із параметрів універсального силового поля, величини потенціалів інформаційних полів, які зважувалися за різними атомними характеристиками (частковий заряд, поляризуємість, електронегативність, ліпофільність). Для кожної молекули разом з симплексами (чотирьохатомними фрагментами) були розраховані менші за розміром фрагменти − двійки, трійки. Всього було розраховано 4939 2D структурних параметрів. Для встановлення зв’язку між структурними дескрипторами і величинами критичних властивостей використовувався метод випадкового лісу (Random Forest − RF). Побудовані 2D RF QSPR моделі мають високу якість апроксимації (R2 =0,99) і прогнозуючу здатність (R2oob = 0,9…0,97). В результаті фізико-хімічної інтерпретації побудованих моделей показано, що найбільший вплив на критичні властивості мають електростатичні чинники. Для сполук бази, для яких відсутня інформація щодо експериментальних значень досліджуваних властивостей, приведені результати прогнозу і оцінено область застосовності розроблених QSPR моделей.
Завантаження
Посилання
Bilyi, O.V. (2003). Physical chemistry. Kyev: CUL.
Ambrose, D., Tsonopoulos, C., Nikitin, E., Morton, D. & Marsh, K. (2015). Vapor–Liquid Critical Properties of Elements and Compounds. Review of Recent Data for Hydrocarbons and Non-hydrocarbons. Chem. Eng. Data, 60(12), 3444–3482. DOI: https://doi.org/10.1021/acs.jced.5b00571.
Yang, S., Lu, W., Chen, N., & Hu, Q. (2005). Support vector regression based QSPR for the prediction of some physicochemical properties of alkyl benzenes. J. Mol. Struct., 719, 119. DOI: https://doi.org/10.1016/j.theochem.2004.10.060.
Huoyu, R., Zhiqiang, Z., Guofang, J., Zhanggao, L., & Zhenzhen, X. (2022). Quantitative Structure-Property Relationship for Critical Temperature of Alkenes with Quantum-Chemical and Topological Indices. Russ. J. Phys. Chem., 96(11), 2329–2334. DOI: https://doi.org/10.1134/S0036024422110267.
Bouhedjar, K., Nacereddine, A. K., Ghorab, H., & Djerourou, A. (2019). QSPR Modeling for Critical Temperatures of Organic Compounds Using Hybrid Optimal Descriptors. International Journal of Quantitative Structure‑Property Relationships (IJQSPR), 4(4), 15–26. DOI: https://doi.org/10.4018/IJQSPR.2019100102.
Reid, R. C., Prausnitz, J. M., & Sherwood, T. K. (1977). The properties of gases and liquids. McGraw-Hill.
Chemaxon Ltd. (1998–2020). MarvinSketch, Standardizer. Retrieved from http://www.chemaxon.com.
Kuz’min, V., Artemenko, A., & Ognichenko, L. et al. (2021). Simplex Representation of molecular structure as universal QSAR/QSPR tool. Struct. Chem., 32(4), 1365–1392. DOI: https://doi.org/10.1007/s11224-021-01793-z.
Ognichenko, L.N., Kuz’min, V.E., & Artemenko, A.G. (2009). New structural descriptors of molecules on the basis of symbiosis of the informational field model and simplex representation of molecular structure. QSAR&Comb.Sci., 28(9), 939–945.
Rappe, A.K., Casewit, C.J., & Colwell, K.S. et al. (1992). UFF, a full periodic table force field for molecular mechanics and molecular dynamics simulations. J. Am. Chem. Soc., 114(25), 10024‒10035. DOI: https://doi.org/10.1021/ja00051a040.
Breiman, L. (2001). Random Forest. Machine Learning, 45, 5‒32. DOI: https://doi.org/10.1023/A:1010933404324.
Organisation for Economic Co-operation and Development. (2006). Report on the Regulatory Uses and Applications in OECD Member Countries of (Quantitative) Structure-Activity Relationship [(Q)SAR] Models in the Assessment of New and Existing Chemicals. OECD Papers, 6, 79‒157. DOI: https://doi.org/10.1787/oecd_papers-v6-art37-en.
Kuz’min, V.E, Polishchuk, P.G., & Artemenko, A.G. et al. (2011). Interpretation of QSAR models based on Random Forest method. Mol. Inf., 30(6-7), 593–603. DOI: https://doi.org/10.1002/minf.201000173.
