QMGBP-DL：深度学习与机器学习助力量子分子图带隙精准预测，推动药物与材料研发

预测分子和量子材料性质（如带隙）对药物设计和材料科学意义重大。研究人员开展了 QMGBP-DL 研究，将分子图编码器与机器学习模型结合，在多个数据集上验证有效，比传统方法 MAE 更低，为带隙预测和材料研发提供有力支持。

　　预测分子和量子材料的性质，尤其是带隙，对于加速药物设计和材料科学领域的发现至关重要。尽管图神经网络和概率编码器在分子数据分析中已得到广泛应用，但它们针对带隙预测的集成与应用仍是一个活跃的研究领域。本文介绍了 QMGBP-DL，这是一种深度学习方法，它将分子图编码器与机器学习模型相结合，以提高分子和材料带隙能量的预测精度。编码器利用图卷积网络（GCN）从简化分子线性输入规范（SMILES）字符串中导出化学结构的潜在表示，并通过 Kullback–Leibler 散度损失进行优化。这些表示作为训练各种机器学习模型以预测性质的输入。使用 QM9、PCQM4M 和 OPV 数据集评估了 QMGBP-DL 的有效性，结果表明该方法有显著改进，特别是在使用随机森林模型进行性质预测时。与已有的 DenseGNN、MEGNet 和 ALIGNN 方法进行对比分析后发现，QMGBP-DL 在预测最高占据分子轨道（HOMO）、最低未占据分子轨道（LUMO）和带隙方面表现优异，实现了更低的平均绝对误差（MAE）值。将 GCN 导出的潜在空间与传统机器学习模型（尤其是随机森林）相结合，为带隙预测提供了一种强大的方法。研究结果突出了这种集成方法的有效性，表明基于图的分子编码与机器学习（特别是随机森林）相结合，对于准确的带隙预测非常有效，从而有助于材料的发现和设计。