研究进展：分子图表示SIMG-立体电子效应/机器学习 | Nature Machine Intelligence

本文介绍了卡内基梅隆大学研究人员在Nature Machine Intelligence上发表的一项研究，提出了一种新的分子表示方法——立体电子增强分子图（SIMG），旨在解决传统分子图信息稀疏的问题。该方法通过将量子化学中的立体电子效应显式编码至分子图中，提升了分子机器学习模型的预测能力与可解释性。研究团队利用自然键轨道（NBO）分析数据构建SIMG，并开发了双图神经网络（GNN）工作流，无需复杂量子化学计算即可快速预测SIMG。实验表明，SIMG在小分子数据集（QM7/QM9）的属性预测任务中表现优异，部分指标接近化学精度；基于小分子训练的模型，可精准外推至蛋白质等大分子系统，揭示轨道相互作用机制。此外，研究团队还开发了Web应用程序，方便用户探索自己分子系统的立体电子信息。