用于配方设计的高级机器学习（ML） 和分子模拟
概述
复杂的化学混合物——即配方——被广泛应用于各个领域，例如石油和天然气行业的汽油调和、消费品领域的日常护理产品，以及制药行业的药物递送。鉴于潜在配方数量庞大、监管要求不断变化，以及消费者对环保和可持续产品需求的日益增长，我们需要创新且经济高效的解决方案来设计更优化的配方。 原子尺度建模和机器学习（机器学习（ML） , ML）领域的最新进展，使得能够通过计算机辅助对大量配方候选方案进行筛选（筛选 ），从而加速识别有前景的配方，并减少耗资巨大的实验。
Schrödinger的配方优化工具“机器学习（ML）”采用数据驱动的方法，将成分结构与组成与配方性能建立关联。该工具利用先进的化学信息学描述符和自动超参数调优来寻找最佳的机器学习模型，并允许将来自实验或高通量分子动力学（分子动力学 (MD) , MD）计算的外部特征（例如温度、压力）作为机器学习模型的额外输入。 “配方机器学习”工具使研发团队能够快速训练和部署机器学习模型，通过调整化学成分、配比及外部特征，高效探索配方设计的广阔空间。
Schrödinger 配方筛选 技术的优势
- 高效的机器学习模型构建与数据生成：利用深度学习技术构建准确的机器学习模型来预测配方性质，并可将其与分子动力学（MD）模拟相结合，以此生成具有物理意义的描述符，从而提高机器学习模型的准确性
- 可扩展性：机器学习可用于对含有100多种组分的混合物进行训练和评估，其应用范围不仅限于简单混合物，还可扩展至设计具有增强性能的复杂混合物
- 自动化：自动超参数调优利用专家级化学信息学描述符，可在几乎无需机器学习专业知识的情况下，实现精准的机器学习模型开发
- 筛选 的快速处理能力：ML能在不到一秒的时间内生成预测结果，并可扩展至筛选 约10万个配方，处理时间仅需几分钟到几小时。
- 专属支持： Schrödinger 由科学专家组成的专属支持团队随时准备帮助用户将计算工具应用于其具体应用场景
- 多平台兼容性：可在笔记本电脑、台式机和高性能计算集群上使用
跨行业的应用
消费品
随机共聚物体系在包装材料中十分常见，而玻璃化转变温度（Tg）是决定聚合物随温度变化而表现出的稳定性的重要参数。ML配方模型能够准确预测365个实例的Tg值，其测试集决定系数（R²）为0.97.2
储能
液体电解质常用于电池中，以促进电荷在阳极和阴极之间的移动，而粘度是决定离子在电解质溶液中移动难易程度的重要参数。ML模型利用约34K个样本，即可准确预测温度依赖性粘度，其测试集R²值为0.96.3
药物制剂
药物分子在纯溶液和二元混合溶液中的溶解度，对于药用制剂的药物递送应用至关重要。基于约27K个样本，ML制剂模型能够准确预测纯溶液或二元混合溶液中药物随温度变化的溶解度，并在测试集上实现了0.93.4的R²值。
石油和天然气
烃类混合物在汽油调和中起着至关重要的作用，有助于汽车发动机实现高效燃烧，而机油辛烷值（MON）是衡量燃料在外部压力下行为表现的重要参数。ML配方模型仅需约700个样本，即可准确预测MON，这些样本的组分数量范围从纯（单一）组分体系到120个组分不等，其测试集R²值达到0.79.5
请参阅教程了解更多信息（注意：您需要一个网络账户才能访问教程）
参考文献
-
利用高通量分子模拟和机器学习（ML） 进行化学混合物的设计
Alex, C. 等。 《npj Comput Mater》 11, 72, 2025, https://doi.org/10.1038/s41524-025-01552-2。
-
无规共聚物的玻璃化转变温度：1. 实验数据与戈登-泰勒方程
Penzel, E. 等。 《聚合物》，第38卷第2期，1997年，第325-337页。
-
机器学习（ML） 用于预测二元液体混合物的粘度
Bilodeau, C. 等。 《化学工程杂志》，464，2023，142454。
-
利用……预测二元溶剂混合物中药物在不同温度下的溶解度机器学习（ML）
Bao, Z. 等。 《化学信息学》 16, 117, 2024, https://doi.org/10.1186/s13321-024-00911-3.
-
基于人工智能的燃油混合比设计
库扎加利耶娃（Kuzhagaliyeva），N. 等。 《化学通讯》，第5卷第1期，2022年，第111页。