一种有机框架设计方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术涉及计算化学与纳米复合催化材料领域，公开了一种有机框架设计方法、装置、电子设备和存储介质，方法包括S1，通过巨正则蒙特卡洛模拟进行计算筛选，获取FHMOF在不同温度下的对映体过量百分数ee；S2，把FHMOF的有机链接转化为分子指纹；S3，选择机器学习算法，把分子指纹作为输入，预测FHMOF中手性分离性能与特定指纹特征之间的关系。本发明专利技术基于机器学习技术和分子指纹，不仅效率高，而且由于分子指纹的加入，使得机器学习能够更加准确地找出FHMOF中关键官能团与对映体过量百分数ee的关系，且能更加精准地预测出具有高对映体分离能力的新型FHMOF。力的新型FHMOF。力的新型FHMOF。

An organic framework design method, device, electronic equipment and storage medium

【技术实现步骤摘要】
一种有机框架设计方法、装置、电子设备和存储介质


[0001]本专利技术涉及计算化学与纳米复合催化材料领域，尤其涉及一种有机框架设计方法、装置、电子设备和存储介质。

技术介绍

[0002]许多天然和合成化合物表现出手性，这意味着它们以左手或右手的形式存在。彼此互为镜像的分子被称为对映体。制药、农业和食品工业中手性分子的分离非常重要，因为通常一个分子的两种可能形式中只有一种具有生物活性。特别是在制药方面，现在非常急切需要开发不对称合成和对映体分离的新技术。
[0003]但由于手性分子的物理性质相似，许多经典的分离方法不适合分离对映体。目前有许多方法用于手性分离，包括结晶、动力学解析、膜分离和色谱法。特别是，手性色谱法是生产单一对映体化合物的最重要方法之一。在色谱法中，(R，S)
‑
对映体与手性受体的不同相互作用是对映体分离的驱动力。然而，手性化合物或受体的微小结构差异往往导致没有选择性，甚至是相反的对映选择性，这使得设计或选择一个合适的手性选择器来进行特定的分离很困难。这个问题激发了研究者们长期以来对开发这种应用的新材料的兴趣。
[0004]多孔材料如沸石被应用于许多基于吸附的分离，但很少有沸石表现出手性框架。近年来，同手性金属有机框架(HMOF)在选择性分离对映体方面引起了很大的关注。对于HMOF来说，其孔隙的大小和形状是可以调整的，这可以提供广泛的多孔结构，包括用于对映体分离的手性腔。
[0005]但是，HMOF是如何对对映体进行分离的以及如何设计HMOF以获得高对映体分离能力等问题还没有完全解决。
[0006]而分子模拟是预测多孔材料对映分离特性和提高研究者们对对映选择性吸附行为理解的有力方法，因此其能用于分析分离机制以及设计对映选择性吸附剂。
[0007]近年来火热的机器学习也受到了研究者们广泛地关注，机器学习可以通过模拟与实现人类学习行为获得新的知识，并在此基础上不断提高自身性能。目前，机器学习已成功应用于不同材料的性能预测以及材料的设计，但机器学习很难准确地处理MOF的原子结构。

技术实现思路

[0008]本专利技术的目的在于提供一种有机框架设计方法及装置，基于机器学习技术和分子指纹，以解决现有的机器学习很难准确地处理MOF的原子结构的问题。
[0009]为了达到上述目的，本专利技术采用如下技术方案：
[0010]一种有机框架设计方法，其包括如下步骤：
[0011]S1，通过巨正则蒙特卡洛模拟进行计算筛选，获取FHMOF在不同温度下的对映体过量百分数ee；
[0012]S2，把FHMOF的有机链接转化为分子指纹；
[0013]S3，选择机器学习算法，把分子指纹作为输入，预测FHMOF中手性分离性能与特定
指纹特征之间的关系。
[0014]作为优选，所述巨正则蒙特卡洛模拟用于筛选(R,S)
‑
DMA在45个功能化S
‑
HMOF中的对映选择性吸附，筛选环境为：温度为300～500K，压力为105Pa，外部流体相中包含R
‑
DMA 和S
‑
DMA的等摩尔混合物。
[0015]通过引入分子指纹作为机器学习的输入。分子指纹能够把分子转化为一系列的向量，然后就可以很容易地在分子之间进行比较。运用分子指纹，可以使得机器学习准确地预测关键官能团的分子指纹与FHMOF的对映体过量百分数ee的关系，并可以通过比较分子指纹的相似性来设计新的高性能FHMOF。
[0016]作为优选，通过巨正则蒙特卡洛模拟进行计算筛选，包括：
[0017]使用RASPA软件包进行巨正则蒙特卡洛模拟，
[0018]使用标准的12
‑
6Lennard
‑
Jones势模拟原子间的色散和排斥相互作用，截止距离为为
[0019]使用Lorentz
‑
Berthelot组合规则计算流体
‑
框架交叉作用参数；
[0020]通过密度泛函理论，采用B3LYP函数和6
‑
31G基础集获取DMA分子和功能化连接体的几何形状；
[0021]使用CHELPG方法和密度泛函理论计算的B3LYP函数和LANL2DZ基集对MOF的代表性部分计算HMOF和(R,S)
‑
DMA分子的电荷；
[0022]通过Ewald求和技术计算吸附剂
‑
被吸附物和被吸附物
‑
被吸附物的静电相互作用；
[0023]每个模拟包括4
×
105个周期，其中一个周期由20和N个蒙特卡洛移动的最小值组成，其中N是周期开始时系统中分子的数量；
[0024]前2
×
105个周期用于平衡，后2
×
105个周期用于积累平均数；
[0025]同概率地进行平移、旋转、身份改变和与存储库进行交换这四种类型的试验动作。
[0026]作为优选，所述分子指纹用于将FHMOF的结构特征或元素组成转换为二进制数据。
[0027]作为优选，所述S2包括：
[0028]将FHMOF的有机链接输入到RDKit中，获得RDKit指纹、Morgan指纹、MACCS指纹和Avalon 指纹；
[0029]RDKit指纹的长度为2048比特位；
[0030]Morgan指纹，搜索半径为2，长度为2048比特位；
[0031]将FHMOF的有机链接输入到PaDEL
‑
descriptor中，获得PubChem指纹、CDK指纹、CDKextend指纹、Substructure指纹和GraphOnly指纹；
[0032]PubChem指纹的长度为881比特位；
[0033]CDK指纹的长度为1024比特位，搜索深度为8；
[0034]CDKextend指纹用于描述附加环的特征，长度为1024比特位；
[0035]Substructure指纹的长度为307比特位；
[0036]GraphOnly指纹为1024比特位。
[0037]作为优选，所述S3包括：
[0038]把FHMOF分为高性能和低性能两类；
[0039]若FHMOF的ee>60％，则FHMOF属于高性能这一类，否则，FHMOF属于低性能这一类。
[0040]作为优选，所述S3还包括：
[0041]通过网格搜索优化选择机器学习的参数，然后使用留一交叉验证法和所选参数最大化测试集的准确性；
[0042]网格搜索优化对每个参数的可能值进行组合，并列出所有可能的组合结果，生成网格；
[0043]将所有的组合用于机器学习训练，并通过留一交叉验证来评估FHMOF的性能，
[0044]一次预测完成后，再次选择新的44个数据作为训练数据；
[0045]经过45个周期，所有的数据都被应用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种有机框架设计方法，其特征在于，其包括如下步骤：S1，通过巨正则蒙特卡洛模拟进行计算筛选，获取FHMOF在不同温度下的对映体过量百分数ee；S2，把FHMOF的有机链接转化为分子指纹；S3，选择机器学习算法，把分子指纹作为输入，预测FHMOF中手性分离性能与特定指纹特征之间的关系。2.根据权利要求1所述的有机框架设计方法，其特征在于，所述巨正则蒙特卡洛模拟用于筛选(R,S)
‑
DMA在45个功能化S
‑
HMOF中的对映选择性吸附，筛选环境为：温度为300～500K，压力为105Pa，外部流体相中包含R
‑
DMA和S
‑
DMA的等摩尔混合物。3.根据权利要求1所述的有机框架设计方法，其特征在于，通过巨正则蒙特卡洛模拟进行计算筛选，包括如下步骤：使用RASPA软件包进行巨正则蒙特卡洛模拟，使用标准的12
‑
6Lennard
‑
Jones势模拟原子间的色散和排斥相互作用，截止距离为Jones势模拟原子间的色散和排斥相互作用，截止距离为使用Lorentz
‑
Berthelot组合规则计算流体
‑
框架交叉作用参数；通过密度泛函理论，采用B3LYP函数和6
‑
31G基础集获取DMA分子和功能化连接体的几何形状；使用CHELPG方法和密度泛函理论计算的B3LYP函数和LANL2DZ基集对MOF的代表性部分计算HMOF和(R,S)
‑
DMA分子的电荷；通过Ewald求和技术计算吸附剂
‑
被吸附物和被吸附物
‑
被吸附物的静电相互作用；每个模拟包括4
×
105个周期，其中一个周期由20和N个蒙特卡洛移动的最小值组成，其中N是周期开始时系统中分子的数量；前2
×
105个周期用于平衡，后2
×
105个周期用于积累平均数；同概率地进行平移、旋转、身份改变和与存储库进行交换这四种类型的试验动作。4.根据权利要求1所述的有机框架设计方法，其特征在于，所述分子指纹用于将FHMOF的结构特征或元素组成转换为二进制数据。5.根据权利要求1所述的有机框架设计方法，其特征在于，所述步骤S2包括：将FHMOF的有机链接输入到RD...

【专利技术属性】
技术研发人员：乔智威，蔡铖智，李丽凤，王邦芬，朱鑫，梁红，李树华，
申请(专利权)人：广州大学，
类型：发明
国别省市：