Facoltà di Scienze Matematiche, Fisiche e Naturali
UNIVERSITA’ DEGLI STUDI DI PISA
CORSO DI LAUREA IN:
CHIMICA
Tesi di laurea
Prediction of Chemical-Physical Polymer Properties
through Structure Neural Networks
Application to Cyclic Compounds
Predizione di Proprietà Chimico-Fisiche di Polimeri
con Reti Neurali per Strutture
Applicazione a Composti Ciclici
Relatore interno:
Prof. Maria Rosaria Tinè
Controrelatore:
Prof. Alessandro Tani
Candidato:
Carlo Bertinetto
Carlo Bertinetto Tesi di laurea
Abstract
A predictive QSPR model based on recursive neural networks has already been successfully performed in previous publications to predict chemical and physical properties of acyclic molecules and polymers.
The purpose of this thesis is to apply the method to cyclic compounds, concerning on the prediction of the glass transition temperature (Tg) of acrylic and methacrylic polymers. First, bibliographical data about the Tg of 110 poly(meth)acrylic esthers was collected. Second, possible methods to make the neural network able to deal with cycles were elaborated and discussed. Two ways to represent cycles were chosen to be used in the experimentation: the “block” representation of the phenyl ring and the “cycle cutting” representation, which makes use of molecular coding systems like Unique SMILES and InChI. Eleven experiments were carried out to test the efficiency of the methods. Seven of them used the block representation, and adjustments were made between each other in order to obtain better performance. The one with best results showed a mean absolute error of 15.32 K and a standard deviation of 19.57 K over the test samples. The last four experiments used the cycle cutting representation and the best one of them reached a mean absolute error of 14.92 K and a standard deviation of 19.38 K.
Riassunto
Un metodo predittivo basato su reti neurali ricorsive è già stato applicato con successo in pubblicazioni precedenti per predire proprietà chimico-fisiche di molecule e polimeri aciclici.
Lo scopo di questa tesi è di applicare il metodo a composti ciclici, concentrandosi sulla predizione della temperatura di transizione vetrosa (Tg) di polimeri acrilici e metacrilici. Per prima cosa sono stati raccolti dati bibliografici sulla Tg di 110 esteri poli(met)acrilici. Dopodichè sono stati elaborati e discussi dei possibili metodi per rendere la rete neurale atta a trattare i cicli. Sono stati scelti due metodi da usare nella sperimentazione: la rappresentazione “a blocco” dell’anello fenilico e la rappresentazione “a tagli”, che si serve di sistemi di codifica delle molecole come Unique SMILES e InChI. Undici esperimenti sono stati effettuati per verificare l’efficienza dei metodi. Sette di questi utilizzavano la rappresentazione a blocchi, e tra uno e l’altro sono stati fatti degli aggiustamenti per ottenere rendimenti migliori. Quello con migliori risultati mostrava un errore medio assoluto di 15.32 K e una deviazione standard di 19.57 K sui campioni di prova. Gli ultimi 4 esperimenti usavano la rappresentazione a tagli e il migliore di essi raggiungeva un errore assoluto medio di 14.92 K e una deviazione standard di 19.38 K.
Carlo Bertinetto Tesi di laurea
Table of contents
1. Introduction... 9
2. Theoretical basis of the prediction method ... 11
2.1. General description of the QSPR RecNN approach ...11
2.2. Molecular representation (acyclic compounds) ... 13
2.2. RecNN calculations... 17
2.3. Representation of cycles ... 21
2.4.1. Block Representation ... 22
2.4.2. Star representation... 23
2.4.3. Cycle cutting representation... 24
2.4.3.1. Unique SMILES... 26
2.4.3.2. InChI ... 30
2.4.3.3. Other observations concerning the use of cutting representation ... 34
3. Glass transition temperature prediction: overview of previous works ...43
4. Experimental section... 47
4.1. Data set and bibliographical research ... 47
4.2. General experiment settings...47
4.3. First seven experiments... 48
4.3.1. Experiment 1 ... 49 4.3.2. Experiment 2 ... 51 4.3.3. Experiment 3 ... 53 4.3.4. Experiment 4 ... 56 4.3.5. Experiment 5 ... 57 4.3.6. Experiment 6 ... 58 4.3.7. Experiment 7 ... 59
4.4. Last four experiments... 59
4.5. Result variation over the eleven experiments ... 62
5. Conclusions... 65
6. References... 67
Appendix A Data set... 71
Appendix B Detailed results... 77
Appendix C Trends... 111
Carlo Bertinetto Tesi di laurea
Sommario
1. Prefazione... 9
2. Basi teoriche del modello predittivo ... 11
2.1. Descrizione generale dell’approccio QSPR con RecNN ... 11
2.2. Rappresentazione molecolare (composti aciclici)...13
2.2. Calcoli della RecNN ... 17
2.3. Rappresentazione dei cicli ... 21
2.4.1. Rappresentazione a blocchi... 22
2.4.2. Rappresentazione a stella ... 23
2.4.3. Rappresentazione a tagli ... 24
2.4.3.1. Unique SMILES... 26
2.4.3.2. InChI ... 30
2.4.3.3. Altre osservazioni riguardanti l’uso della rappresentazione a tagli ... 34
3. Predizione della temperatura di transizione vetrosa: panoramica dei lavori precedenti... 43
4. Sezione sperimentale... 47
4.1. Data set e ricerca bibliografica... 47
4.2. Impostazioni generali degli esperimenti ...47
4.3. Primi sette esperimenti... 48
4.3.1. Esperimento 1 ... 49 4.3.2. Esperimento 2 ... 51 4.3.3. Esperimento 3 ... 53 4.3.4. Esperimento 4 ... 56 4.3.5. Esperimento 5 ... 57 4.3.6. Esperimento 6 ... 58 4.3.7. Esperimento 7 ... 59
4.4. Ultimi quattro esperimenti ... 59
4.5. Variazione dei risultati sugli undici esperimenti...62
5. Conclusioni ... 65
6. Riferimenti bibliografici ... 67
Appendice A Data set... 71
Appendice B Risultati dettagliati ...77
Appendice C Andamenti... 111
