Сегодня у нас вышла новая работа:
Beyond Organic Molecules: MetalLipoDB, a Lipophilicity Dataset for Metal Complexes and Machine Learning Benchmarks
https://doi.org/10.26434/chemrxiv.15010021/v1
Работа продолжает систематизацию данных по комплексам металлов, начатую в MetalCytoToxDB. На этот раз предметом стала липофильность. Для органических соединений существуют большие открытые базы logP, а предсказание липофильности входит в стандартные ML-бенчмарки. Для комплексов металлов экспериментальные значения разбросаны по сотням статей, и существующие подборки покрывают преимущественно платину.
В работе представлена MetalLipoDB — крупнейшая на сегодня база экспериментальных значений липофильности комплексов металлов.
Объём базы: 5158 значений logP/logD для 4714 комплексов 23 металлов, вручную извлечённых из 1192 статей. Для каждой записи указаны условия измерения: состав водной фазы, pH, метод детекции.
В базу включены 546 многоядерных комплексов.
Оценена воспроизводимость измерений. Для одного и того же комплекса значения из двух разных статей расходятся в среднем на 0.56 логарифмических единиц. Эта величина задаёт практический предел точности моделей, обученных на литературных данных.
На основе базы обучены ML-модели (TabPFN, LightGBM, Chemprop, CheMeleon). Для комплексов из статей, отсутствующих в обучающей выборке, ошибка составляет MAE = 0.72-0.75. Если в серии уже измерены три комплекса, привязка предсказаний к этим измерениям снижает ошибку с 0.73 до 0.51.
❗️В разделе "Limitations and future work" перечислены ограничения подхода:
— Значения в базе представляют собой кажущиеся коэффициенты распределения в условиях, указанных авторами
— Многие комплексы не инертны в воде: в частности, хлоридные комплексы платины и рутения подвергаются замещению лиганда на воду
— Включены только измерения непосредственно распределения между октанолом и водной фазой, хроматографические индексы липофильности не рассматриваются
— Модели не учитывают стереохимию
— Для металлов, отсутствующих в обучающей выборке, ошибка возрастает до 0.83-0.89
Датасет на Zenodo: https://doi.org/10.5281/zenodo.23084573
Beyond Organic Molecules: MetalLipoDB, a Lipophilicity Dataset for Metal Complexes and Machine Learning Benchmarks
https://doi.org/10.26434/chemrxiv.15010021/v1
Работа продолжает систематизацию данных по комплексам металлов, начатую в MetalCytoToxDB. На этот раз предметом стала липофильность. Для органических соединений существуют большие открытые базы logP, а предсказание липофильности входит в стандартные ML-бенчмарки. Для комплексов металлов экспериментальные значения разбросаны по сотням статей, и существующие подборки покрывают преимущественно платину.
В работе представлена MetalLipoDB — крупнейшая на сегодня база экспериментальных значений липофильности комплексов металлов.
Объём базы: 5158 значений logP/logD для 4714 комплексов 23 металлов, вручную извлечённых из 1192 статей. Для каждой записи указаны условия измерения: состав водной фазы, pH, метод детекции.
В базу включены 546 многоядерных комплексов.
Оценена воспроизводимость измерений. Для одного и того же комплекса значения из двух разных статей расходятся в среднем на 0.56 логарифмических единиц. Эта величина задаёт практический предел точности моделей, обученных на литературных данных.
На основе базы обучены ML-модели (TabPFN, LightGBM, Chemprop, CheMeleon). Для комплексов из статей, отсутствующих в обучающей выборке, ошибка составляет MAE = 0.72-0.75. Если в серии уже измерены три комплекса, привязка предсказаний к этим измерениям снижает ошибку с 0.73 до 0.51.
❗️В разделе "Limitations and future work" перечислены ограничения подхода:
— Значения в базе представляют собой кажущиеся коэффициенты распределения в условиях, указанных авторами
— Многие комплексы не инертны в воде: в частности, хлоридные комплексы платины и рутения подвергаются замещению лиганда на воду
— Включены только измерения непосредственно распределения между октанолом и водной фазой, хроматографические индексы липофильности не рассматриваются
— Модели не учитывают стереохимию
— Для металлов, отсутствующих в обучающей выборке, ошибка возрастает до 0.83-0.89
Датасет на Zenodo: https://doi.org/10.5281/zenodo.23084573