量子化学与神经网络预测多氯代二苯并呋喃分配系数

该篇论文探讨了利用人工神经网络技术预测多氯代二苯并呋喃类（PCDFs）化合物的正辛醇/水分配系数，这是一种评估有机污染物环境行为的重要参数。研究者通过Chemoffice8.0软件中的MOPAC-AM1算法计算PCDFs的量子化学结构参数，并将其作为分子结构描述符。然后，他们运用反向传播网络和径向基函数网络这两种人工神经网络模型，建立了分子结构与分配系数之间的相关模型。 在研究过程中，首先计算了PCDFs的量子化学结构参数，这些参数是描述分子结构的关键特征。MOPAC-AM1是一种半经验量子力学方法，能够快速且有效地计算复杂分子的性质。筛选出的量化参数作为输入数据，用于训练和构建神经网络模型。 接下来，论文比较了人工神经网络（特别是反向传播网络和径向基函数网络）与传统的多元回归方法在预测正辛醇/水分配系数上的效果。反向传播网络是一种基于梯度下降的学习算法，擅长处理非线性问题；而径向基函数网络则是通过径向基函数作为隐藏层节点的激活函数，以实现全局非线性映射。结果表明，这两种神经网络模型的预测精度均超过了多元回归方法。 多氯代二苯并呋喃类化合物因其毒性而备受关注，但某些异构体的理化性质难以通过实验测定。因此，通过QSAR/QSPR（定量结构-活性/属性关系）方法预测这些性质具有重要意义。正辛醇/水分配系数ClgKow是评估有机污染物在环境中的行为、迁移和富集能力的关键指标。 论文指出，虽然多元线性回归在处理线性问题时有效，但它在面对非线性问题时表现有限。相比之下，人工神经网络因其强大的非线性映射能力而成为更优的选择。Elman网络、BP网络和RBF网络都是常用的人工神经网络模型，它们在处理多维非线性系统时表现出色，已在各种实际应用中得到验证。 这篇2011年的论文展示了人工神经网络在解决化学领域复杂预测问题上的潜力，特别是在预测有毒化合物如PCDFs的环境行为方面，为理解和控制这类污染物提供了理论支持和预测工具。