基于多模态图的深度学习方法，用于预测GHS/CLP标准中的关键危害指标——燃烧热

《Scientific Reports》：Multimodal graph-based deep learning for predicting heat of combustion as a key hazard indicator under GHS/CLP standards

　　

摘要

我们提出了一种多模态图基深度学习框架，该框架将分子图拓扑结构与物理化学描述符相结合，从而直接从化学结构预测燃烧热。该模型利用神经网络卷积算法来捕捉键合和拓扑信息，而分子描述符则提供互补的全局特征。在4,516个实验数据点上训练后，该模型的平均绝对误差为351.4千焦/摩尔（1.89千焦/克），约相当于数据集平均值的6.35%（5529.65千焦/摩尔），在测试集上的决定系数为0.942。与线性回归、随机森林以及仅基于图的GNN模型相比，后者的平均绝对误差和决定系数分别为376.0和0.925、381.7和0.914、1608.8和0.484，这体现了将描述符与基于图的NNConv学习方法结合所带来的优势。通过该模型预测的燃烧热值可帮助依据20千焦/克的GHS/CLP判定标准进行可靠分类，不过那些数值处于±1.89千焦/克模糊区间内的化合物除外。残差分析显示，该模型的偏差较小，误差分布大致呈正态分布。这些结果表明，多模态图基学习方法能够提供对决策有用的燃烧热预测值，有助于化学危害筛查，同时减少对实验测量的依赖。