[논문 리뷰] Retention Time Prediction for Chromatographic Enantioseparation by Quantile Geometry-enhanced Graph Neural Network

Hao Xu, Jinglong Lin외 2명|arXiv (Cornell University)|2022. 11. 07.

Analytical Chemistry and Chromatography인용 수 4

한 줄 요약

이 논문은 새로 구축한 CMRT 데이터셋을 사용하여 크로마토그래픽 엔antioseparation에서의 유지시간을 예측하기 위해 양자점 기하학 강화 그래프 신경망(QG-GNN)을 제안한다. 크로마토그래피 분야 지식을 모델에 통합함으로써 다중 컬럼 유지시간 예측 및 분리 확률 추정이 가능해져 실험적 찬성 분리 워크플로우에서 예측 정확도와 효율성이 크게 향상된다.

ABSTRACT

A new research framework is proposed to incorporate machine learning techniques into the field of experimental chemistry to facilitate chromatographic enantioseparation. A documentary dataset of chiral molecular retention times (CMRT dataset) in high-performance liquid chromatography is established to handle the challenge of data acquisition. Based on the CMRT dataset, a quantile geometry-enhanced graph neural network is proposed to learn the molecular structure-retention time relationship, which shows a satisfactory predictive ability for enantiomers. The domain knowledge of chromatography is incorporated into the machine learning model to achieve multi-column prediction, which paves the way for chromatographic enantioseparation prediction by calculating the separation probability. Experiments confirm that the proposed research framework works well in retention time prediction and chromatographic enantioseparation facilitation, which sheds light on the application of machine learning techniques to the experimental scene and improves the efficiency of experimenters to speed up scientific discovery.

연구 동기 및 목표

• 크로마토그래픽 엔antioseparation에서 데이터 부족 문제를 해결하기 위해 찬성 분자의 유지시간에 관한 종합적인 문헌 데이터셋(즉, CMRT 데이터셋)을 구축하기.
• 다양한 크로마토그래픽 컬럼에서 엔antiomer의 유지시간을 정확하게 예측할 수 있는 기계학습 모델을 개발하기.
• 크로마토그래픽 도메인 지식을 그래프 신경망에 통합하여 일반화 능력과 예측 성능 향상시키기.
• 실제 실험 설계에 적용 가능한 다중 컬럼 유지시간 예측 및 분리 확률 추정을 가능하게 하기.
• 데이터 기반 예측을 통해 시행착오 실험을 줄임으로써 과학적 발견을 가속화하기.

제안 방법

• 분자의 구조-유지시간 관계를 그래프 표현을 사용하여 모델링하기 위해 새로운 양자점 기하학 강화 그래프 신경망(QG-GNN)을 설계한다.
• 분자의 그래프 구조에서 유도된 양자점 기반 기하 특징을 통합하여 표현 학습 및 불확실성 추정을 향상시킨다.
• 크로마토그래픽 유지시간 행동에 대한 도메인 특화 지식을 GNN 아키텍처에 통합하여 특징 학습을 이끌고 컬럼 간 일반화 능력을 향상시킨다.
• 실험적 HPLC 데이터에서 수집한 CMRT 데이터셋은 다양한 분자 구조와 여러 찬성 정착상에서의 유지시간을 제공한다.
• 다양한 컬럼의 데이터로 QG-GNN을 훈련시어 새로운 컬럼에 대한 유지시간 예측이 가능하게 한다.
• 엔antiomer 간 예측 유지시간 차이를 사용하여 분리 확률을 계산함으로써 기준 해상도를 실험 이전에 조기에 예측할 수 있다.

실험 결과

연구 질문

• RQ1 그래프 신경망은 고성능 액체 크로마토그래피에서 엔antiomer의 유지시간을 효과적으로 예측할 수 있는가?
• RQ2 양자점 기하학과 크로마토그래픽 도메인 지식을 통합할 경우, 컬럼 간 예측 정확도와 일반화 능력이 어떻게 향상되는가?
• RQ3 실험적 테스트 없이 모델이 분리 확률을 얼마나 정확하게 예측할 수 있는가?
• RQ4 정제된 실험 데이터셋(CMRT)이 찬성 분리에서 신뢰할 수 있는 기계학습 훈련을 지원할 수 있는가?
• RQ5 GNN에 도메인 지식을 통합할 경우, 기존 표준 모델 대비 유지시간 예측 성능이 향상되는가?

주요 결과

• QG-GNN 모델은 다양한 찬성 정착상에서 유지시간 예측에 높은 정확도를 달성하여 기준 GNN 및 전통적 모델보다 뚜렷이 뛰어난 성능을 보였다.
• 양자점 기하학과 크로마토그래픽 도메인 지식을 통합함으로써 모델의 강건성과 일반화 능력이 향상되었으며, 특히 새로운 컬럼에 대해서도 뛰어난 성능을 보였다.
• 모델은 신뢰할 수 있는 분리 확률 예측이 가능하게 되어 실험 실행 이전에 기준 해상도를 추정할 수 있게 되었다.
• CMRT 데이터셋은 크로마토그래픽 찬성 분리 분야에서 모델 훈련 및 벤치마킹을 위한 종합적이고 공개 가능한 자원을 제공한다.
• 다중 컬럼 예측이 성공적으로 달성되어 모델이 다양한 찬성 컬럼 간 지식을 효과적으로 전이할 수 있음을 입증하였다.
• 이 프레임워크는 시간이 오래 걸리는 시행착오 실험의 필요성을 줄여 최적의 분리 조건을 빠르게 발견할 수 있도록 하였다.