融合多模态数据的药物合成反应的虚拟筛选

药物合成反应，尤其是不对称反应，是现代药物化学的重要组成部分。为了实现高效合成和不对称催化，化学家们投入了大量的人力和物力来识别各种化学反应模式。量子力学计算和机器学习算法在这一领域的最新研究证明，通过计算机学习现有药物合成反应数据并进行精确虚拟筛选具有巨大潜力。然而，现有的方法仅限于单一模式的数据源，并且由于数据量有限，只能使用基本的机器学习方法，这阻碍了它们在更广泛的场景中的普遍应用。因此，提出了两种融合多峰数据的药物合成反应筛选模型，用于虚拟筛选反应产率和对映选择性，并给出了基于Boltzmann分布的3D构象描述符加权模型，该模型将分子的三维空间信息与量子力学性质相结合。两个多模式数据融合模型在两个具有代表性的有机合成反应（c-N偶联反应和N，s-缩醛反应）中进行了训练和验证。前者的R~2比基线法增加了1个百分点以上，后者的MAE下降了0.5个百分点以上。结果表明，基于多模态数据融合的模型在有机反应筛选的不同任务中都能带来良好的性能。