Machine Learning Based Virtual Screening for Biodegradable Polyesters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Current biodegradation timelines show that polyesters take over 200 years to break down. A crucial component of several industries, polyesters are relied upon for materials development and thus require sustainable alternatives. Recent works in generative modeling have made it possible to produce large sets of chemical structures, but current molecular screening methods are expensive, not scalable, and are oversimplified. This work evaluates whether a molecule’s biodegradability potential can be accurately predicted by training a model on recent experimental data. Additionally, three chemical descriptors were evaluated on the final molecules for their effects on biodegradability: molecular structure, bond types, and solubility. A Gradient Boosted Machine was trained on a dataset of 600 molecules and their binary labels on biodegradability. The classification model effectively captured the biodegradability property, yielding an Area Under the Receiver Operating Characteristics, AUROC, of 84% and an Area Under the Precision Recall Curve, or AUPRC, of 87%. Additionally, an existing amortized synthetic tree generation model, SynNet, validated each molecule by showing chemical synthesizability and producing simple and interpretable synthesis pathways. This approach of filtering by prediction and chemical rule interpretation is inexpensive, highly scalable and can capture the necessary complexity. Using this method, novel polyester candidates can be polymerized and produced into sustainable fabrics, reducing environmental stress from textile-reliant industries.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle