提升聚酰亚胺玻璃化转变温度的预测精度：一种融合 Morgan 指纹与分子描述符的混合机器学习方法

《Molecular Informatics》：Boosting the Prediction Accuracy of Glass Transition Temperature in Polyimides: A Hybrid Machine Learning Approach Integrating Morgan Fingerprints and Molecular Descriptors

　　

图文摘要

本文突破了预定义分子描述符的限制，首次将其与包含分子结构信息的 Morgan 指纹相结合，形成混合特征。从而构建了更精确的 QSPR 模型。

摘要

聚酰亚胺的玻璃化转变温度（T_g）是决定其加工性和应用性能的关键参数。传统的T_g测量实验方法耗时且昂贵，而现有的机器学习预测模型主要依赖人工定义的分子描述符，这往往无法完全捕捉详细的分子结构信息，限制了其预测准确性和泛化能力。为此，本研究提出了一种结合 Morgan 指纹和分子描述符的混合特征工程策略，以全面表示聚酰亚胺的化学结构。基于公共数据库中的 1257 个聚酰亚胺样本数据集，我们系统比较了六种特征选择方法，并采用多种主流机器学习算法进行建模。结果表明，CATB 模型表现最佳，在独立测试集上取得了 0.882 的决定系数（R²）和 17.34?°C 的平均绝对误差（MAE），五折交叉验证进一步证实了模型的稳健性。SHAP 可解释性分析揭示了可旋转键数量、醚键和醚连氧乙烯单元等关键特征对T_g的显著影响，为分子设计提供了明确的指导。外部验证证明了模型的强泛化能力。本研究不仅实现了高精度和稳健的T_g预测，还突出了混合特征策略在聚合物性能建模中的重要性，为聚酰亚胺的合理设计提供了数据驱动的基础。

利益冲突

作者声明无利益冲突。

数据可用性声明

所有详细数据集均提供在支持信息 S1 中。最佳的 CATB 建模代码已存放在 GitHub 上，可通过 https://github.com/PSxing/HYBRID-MODEL-PI-TG 访问。