ORedOx159数据库：用AI解析氧化还原电位

ORedOx159数据库：用AI解析氧化还原电位

引用

github

等

7

来源

1.

https://github.com/ANRMoMoPlasm/ORedOx159

2.

https://github.com/ANRMoMoPlasm

3.

https://pubs.rsc.org/en/content/articlelanding/2020/cp/d0cp02709j

4.

https://www.sciencedirect.com/science/article/pii/S2949747724000228

5.

https://www.sciencedirect.com/science/article/pii/S2405829723002441

6.

https://www.pnnl.gov/publications/machine-learning-redox-potential-prediction-molecules-organic-redox-flow-battery

7.

https://pubmed.ncbi.nlm.nih.gov/38923574/

氧化还原电位是衡量物质氧化还原能力的重要指标，在化学、生物、环境等领域的研究中具有重要应用。然而，传统实验方法测定氧化还原电位耗时耗力，且成本高昂。近年来，人工智能技术的发展为氧化还原电位的预测提供了新的解决方案。本文将介绍ORedOx159数据库及其在AI解析氧化还原电位方面的应用。

ORedOx159数据库是一个专门收录有机分子氧化还原电位的化学数据库，包含159个有机分子的单电子还原和氧化反应数据。该数据库的每个分子都提供了三种状态的结构数据：

• 基态结构（ground-state）：文件名以*_gn.xyz表示
• 氧化态结构（oxidized）：文件名以*_ox.xyz表示
• 还原态结构（reduced）：文件名以*_rd.xyz表示

每个xyz文件的命名规则为xx-yy_aa_bb.xyz，其中：

• xx：分子家族名称
• yy：家族内系统编号
• aa：体系电荷（0n：中性，1a：-1，2a：-2，1c：+1，2c：+2）
• bb：结构类型（gn：基态，ox：氧化态，rd：还原态）

数据库中的所有结构都经过DFT（密度泛函理论）优化计算，采用PBE0/def2-TZVPP理论水平，确保了数据的准确性和可靠性。

为了提高氧化还原电位的预测精度，研究人员采用了基于图的机器学习方法。这种方法将分子结构表示为图，其中原子是节点，化学键是边，能够很好地捕捉分子的拓扑结构信息。

研究中使用了深度度量学习（Deep Metric Learning，DML）来优化分子表示。DML通过学习样本间的距离关系，自动为给定数据集生成最优表示。这种方法与图神经网络（Graph Neural Networks，GNNs）相结合，设计了新的目标函数，用于学习分子表示。

实验结果表明，基于图的机器学习方法在氧化还原电位预测中取得了显著的性能提升。对于还原反应，平均绝对误差（MAE）达到5.6 kcal mol−1，而氧化反应的MAE为7.2 kcal mol−1。这些结果优于传统的GNN方法，特别是在处理小数据集时表现出色。

ORedOx159数据库及其AI解析方法的成功应用，为电化学领域的研究开辟了新的途径。通过准确预测氧化还原电位，研究人员可以更高效地设计新型电池材料、催化剂和药物分子。此外，这种方法还可以扩展到其他化学性质的预测，如反应活性、溶解度等，具有广阔的应用前景。

总之，ORedOx159数据库结合AI解析技术，不仅提高了氧化还原电位预测的准确性，更为化学研究提供了强大的工具。随着AI技术的不断发展，我们有理由相信，化学研究将进入一个更加智能化、高效化的时代。