基于晶体图卷积神经网络的晶格能回归模型

晶格能是决定晶体热力学稳定性的关键物理性质,对药物多晶型稳定性的筛选具有指导意义。晶格能的获取方式通常为实验试错和基于分子/量子力学的理论计算,对于数量庞大的晶型结构,两种方法均费时费力。提出一种基于密度泛函理论（density functional theory,DFT）和晶体图卷积神经网络（crystal graph convolutional neural networks,CGCNN）的晶格能回归模型。首先采用自洽屏蔽多体色散校正的DFT方法计算晶格能,建立包含酸、醇、酰胺、氨基酸、酸酐等248种晶型的晶格能数据集;基于所建立的数据集,采用CGCNN进一步建立晶型和晶格能之间的定量回归模型,该模型训练集和测试集的MAPE分别为1.24%和5.04%,R2分别为0.9978和0.9750,表明该模型具有较好的预测效果,可以为高通量筛选稳定的晶型提供理论指导。