Combler les lacunes de données en chimie atmosphérique

Les particules d'aérosol dans l'atmosphère jouent un rôle significatif dans l'impact sur la qualité de l'air et le changement climatique. Ces particules peuvent être formées à partir de diverses molécules organiques, mais beaucoup de ces molécules ne sont pas bien comprises. L'Apprentissage automatique peut aider à identifier ces composés en accélérant l'analyse de leurs propriétés et de la manière dont elles sont détectées. Cependant, les progrès sont limités car il n'existe pas suffisamment de ensembles de données organisés pour les molécules organiques atmosphériques et leurs propriétés.

Pour remédier à ce problème, des chercheurs proposent une Analyse de similarité qui relie les composés atmosphériques à de grands Ensembles de données moléculaires déjà utilisés dans l'apprentissage automatique. Leurs résultats montrent qu'il n'y a qu'un petit chevauchement entre les molécules atmosphériques et non atmosphériques en utilisant des méthodes communes de représentation des molécules dans l'apprentissage automatique. Les caractéristiques uniques des composés atmosphériques, y compris leurs Groupes fonctionnels et leur composition atomique, contribuent à cette découverte hors domaine. L'étude souligne la nécessité d'une collaboration pour collecter et partager davantage de données sur le niveau moléculaire de la chimie atmosphérique. L'analyse de similarité présentée peut être utile dans les futures efforts pour créer de meilleurs ensembles de données pour les applications d'apprentissage automatique dans les sciences atmosphériques.

Les particules d'aérosol influencent le climat en réfléchissant et en absorbant la lumière du soleil et en agissant comme points de départ pour la formation de nuages. En plus de leurs effets climatiques, ces particules impactent également la qualité de l'air, ce qui peut nuire à la santé humaine. Malgré leur importance, les processus moléculaires détaillés impliquant des molécules organiques ne sont pas encore bien compris en raison du grand nombre de composés organiques dans l'atmosphère. Ce manque de connaissances rend difficile la compréhension de la façon dont les particules se forment et se développent dans différents environnements.

Cet article constitue un premier pas vers la réduction de cette lacune en examinant comment l'apprentissage automatique pourrait aider. Les chercheurs suggèrent une analyse de similarité moléculaire pour mesurer le chevauchement entre les composés atmosphériques et les ensembles moléculaires généraux utilisés pour l'apprentissage automatique. Cela pourrait créer un outil pour développer des modèles d'apprentissage automatique axés sur l'étude de la formation des particules d'aérosol et des impacts des activités humaines, comme l'industrie et l'agriculture, sur ce processus. Acquérir de telles connaissances pourrait conduire à des choix plus éclairés sur la façon d'améliorer la qualité de l'air et de gérer le changement climatique.

La formation de particules d'aérosol organiques dépend des types de molécules présentes dans l'atmosphère et de la manière dont ces molécules sont libérées. Les molécules émises peuvent changer durant des réactions déclenchées par la lumière du soleil, entraînant de nombreux composés avec divers groupes fonctionnels. Ces réactions sont estimées à créer des centaines de milliers à des millions de molécules pertinentes pour l'atmosphère. Cependant, nous ne savons pas combien de ces molécules peuvent créer ou faire croître des particules d'aérosol par elles-mêmes ou par interaction avec des émissions inorganiques.

Étudier la formation de particules d'aérosol est compliqué car il existe tant de composés potentiellement importants. De plus, l'identification des composés utilisant des méthodes comme la spectrométrie de masse est difficile en raison du manque de spectres de référence organisés pour les molécules atmosphériques. Examiner comment les particules croissent présente un autre défi car il existe une large gamme d'échelles de taille impliquées. Ni la spectrométrie de masse des aérosols ni les techniques d'ionisation chimique ne peuvent saisir complètement l'ensemble du processus de croissance des particules. En conséquence, les ensembles de données organisés des structures moléculaires provenant d'expériences sont encore largement indisponibles.

Dans des domaines liés à la chimie, comme la métabolomique, les ensembles de données moléculaires organisés sont très importants pour analyser les produits chimiques. Ces ensembles aident à identifier les composés directement ou par le développement d'outils d'identification basés sur l'apprentissage automatique. Ils soutiennent également la construction de plates-formes d'analyse basées sur les données. De plus, les ensembles de données organisés contribuent à créer des modèles d'apprentissage automatique qui prédisent des relations basées sur des structures et des activités moléculaires, facilitant ainsi l'analyse des propriétés pour des réactions ou des usages spécifiques. Pour pleinement utiliser les méthodes basées sur les données, de tels ensembles de données sont essentiels. Actuellement, dans les sciences atmosphériques, les méthodes computationnelles aident à combler le fossé entre ce qui peut être observé expérimentalement et ce qui est connu des composés atmosphériques.

Les simulations computationnelles et la modélisation prédictive offrent une autre façon d'étudier la chimie atmosphérique au niveau moléculaire. Les modèles de réaction peuvent suggérer les produits de réaction probables dans l'atmosphère en fonction d'un ensemble de molécules de départ, de réactions et de conditions. En utilisant ces modèles, des ensembles de données comme Gecko et Wang ont été générés. L'ensemble de données Wang a été créé en simulant comment 143 composés atmosphériques se décomposent dans l'atmosphère en raison de la lumière du soleil et des réactions avec des produits chimiques spécifiques. De même, l'ensemble de données Gecko a été créé en simulant comment trois composés atmosphériques clés subissent des réactions en phase gazeuse. Les deux ensembles de données ont été utilisés pour prédire certaines propriétés des molécules, comme leur comportement dans différents environnements. Les simulations computationnelles sur la formation des particules ont également conduit à des ensembles de données incluant des clusters communs et leurs propriétés associées. Par conséquent, les simulations et les prédictions de propriétés peuvent identifier des composés candidats importants dans les processus de formation d'aérosols organiques.

Les émissions moléculaires réagissent dans l'atmosphère, menant à une variété de composés qui contribuent à la formation de particules d'aérosol. Cependant, identifier ces composés est difficile. Bien que les approches expérimentales puissent identifier certains composés dans l'atmosphère et les aérosols, elles ne révèlent souvent pas la plupart des identités. Les techniques computationnelles, telles que les simulations de réactions et les prédictions, aident à décrire les produits de réaction atmosphériques et leurs impacts sur les matières particulaires. Acquérir plus de connaissances sur ces processus moléculaires éclairera comment les émissions humaines affectent la formation des nuages, la qualité de l'air et le climat. Utiliser des méthodes basées sur les données pourrait faire avancer et accélérer à la fois les flux de travail expérimentaux et computationnels.

Ces dernières années, les méthodes d'apprentissage automatique ont montré un potentiel pour accélérer la recherche traditionnelle en chimie atmosphérique. Pourtant, l'application pratique de ces méthodes basées sur les données est encore limitée en raison du manque d'ensembles de données expérimentales organisés. Cela soulève des questions importantes sur la manière dont les avancées de l'apprentissage automatique en chimie atmosphérique peuvent tirer parti des ensembles de données moléculaires et des modèles issus de simulations computationnelles ou d'autres domaines de la chimie. Cette ligne d'enquête est particulièrement cruciale en chimie atmosphérique mais reflète également des efforts similaires dans d'autres domaines.

L'objectif de cette analyse est d'évaluer dans quelle mesure les données moléculaires atmosphériques s'alignent avec les ensembles de données organisés existants d'autres domaines de la chimie. Les chercheurs évalueront comment les lacunes de données actuelles en chimie atmosphérique impactent les progrès des méthodes basées sur les données dans ce domaine. Ils exploreront également le potentiel d'utiliser des ensembles de données et des modèles développés dans d'autres domaines de chimie connexes pour améliorer les méthodes en chimie atmosphérique.

L'analyse représentera les composés atmosphériques en utilisant les ensembles de données Wang et Gecko. Un troisième ensemble de données contenant des quinones, qui sont des molécules organiques formées à partir de l'oxydation de composés aromatiques, sera également inclus. Ces trois ensembles de données seront comparés à quatre autres ensembles de données utilisés pour la prédiction des propriétés moléculaires ou l'identification de composés par spectrométrie de masse.

Les ensembles de données moléculaires utilisés dans cet article ont été téléchargés dans un format spécifique. Les tailles des ensembles de données rapportées ici ont été déterminées après nettoyage des données en supprimant les entrées qui ne pouvaient pas être traitées et en éliminant les doublons.

L'article se compose de plusieurs sections. La première section expliquera la méthode utilisée pour l'analyse de similarité moléculaire. La section suivante présentera les résultats de la comparaison de similarité. La section de discussion traitera des résultats, et la dernière section décrira comment cette analyse de similarité peut aider à guider le développement d'ensembles de données pour la recherche atmosphérique.

#Méthode d'Analyse de Similarité Moléculaire

Dans l'analyse basée sur la similarité, les chercheurs mesurent le chevauchement entre les composés atmosphériques et d'autres ensembles de molécules en utilisant deux métriques de similarité : l'embedding de voisinage stochastique t (t-SNE) et l'indice de similarité de Tanimoto. Ces métriques utilisent un format de vecteur binaire pour représenter les molécules, permettant de mesurer la diversité chimique et d'identifier les applications hors domaine.

La méthode t-SNE condense essentiellement des données de haute dimension en dimensions inférieures tout en gardant intactes les distances des points de données. Cela permet de tirer des conclusions visuelles sur la structure et les similarités des données. Les chercheurs ont testé diverses valeurs de perplexité pour assurer la robustesse de leur analyse. Les empreintes moléculaires ont été prétraitées, et le clustering t-SNE a été réalisé avec un nombre spécifique d'itérations.

L'indice de Tanimoto fournit une mesure quantitative de similarité. Il calcule la fraction des caractéristiques partagées entre deux molécules. Si deux molécules partagent toutes les caractéristiques, l'indice de Tanimoto est égal à un, tandis que s'ils ne partagent aucune, il est zéro. Le choix de la représentation moléculaire impacte les résultats, car l'étude a employé deux représentations différentes pour mener l'analyse.

Une analyse statistique des similarités de Tanimoto compare systématiquement les paires de molécules provenant de différents ensembles de données. Les chercheurs ont sélectionné soit l'ensemble Wang, soit l'ensemble Gecko comme référence et calculé les similarités de chaque molécule dans les ensembles non-référencés. Ce processus génère des distributions qui représentent les similarités entre les paires de molécules. Analyser ces distributions aide à révéler le degré de ressemblance entre les ensembles de données et illustre la relation entre les molécules atmosphériques et non atmosphériques.

#Descripteurs Moléculaires

L'analyse de similarité a utilisé deux types de représentations moléculaires : l'empreinte topologique RDKit et l'empreinte MACCS. L'empreinte MACCS inclut des clés qui représentent diverses caractéristiques moléculaires. L'empreinte topologique est basée sur l'énumération des chemins dans la représentation 2D de la structure moléculaire. Les chercheurs ont utilisé des paramètres par défaut pour les deux empreintes.

Ils ont réalisé une analyse structurelle et une analyse des groupes fonctionnels en utilisant des programmes spécifiques pour déterminer la présence de différentes catégories de groupes fonctionnels dans les ensembles de données atmosphériques.

#Résultats de l'Analyse de Similarité

Les résultats décrivent l'analyse de similarité des molécules atmosphériques et comment elles se comparent à d'autres composés. Les chercheurs se sont d'abord concentrés sur la structure moléculaire et la composition, puis sont passés à une comparaison des représentations d'empreintes moléculaires. Les implications de cette analyse seront illustrées pour la prédiction de propriétés computationnelles et l'analyse par spectrométrie de masse.

#Comparaison de Structure Moléculaire

La taille moléculaire, représentée par le nombre d'atomes non hydrogène, variait à travers les ensembles de données atmosphériques. Le compte moyen était d'environ 10, 20 et 30 pour les ensembles de données Wang, Gecko et Quinone, respectivement. Les atomes consistaient principalement en carbone et en oxygène. Les molécules Gecko se sont révélées plus oxydées que les composés Wang et Quinone.

L'analyse des groupes fonctionnels a indiqué des groupes communs tels que les hydroxyles, les carbonyles, les cétones et les acides carboxyliques dans les ensembles de données. Plus de la moitié des molécules Gecko contenaient des groupes tels que l'hydroperoxyde et le nitrate, tandis que ceux-ci étaient moins courants dans les composés Wang et Quinone.

Une comparaison des composés non atmosphériques a révélé qu'ils comprenaient principalement des métabolites et des molécules de type médicament. La taille moléculaire de ces ensembles de données a montré une plage plus large que celle des ensembles atmosphériques. Bien que certains groupes fonctionnels soient présents à la fois dans les composés atmosphériques et non atmosphériques, des groupes comme les peroxydes et les nitrates étaient moins courants dans les ensembles de données non atmosphériques.

#Similarité des Empreintes Moléculaires

Les chercheurs ont également analysé les similarités moléculaires en utilisant des empreintes. Le degré de similarité entre les ensembles de données a été évalué en observant la présence de clusters partagés. Les résultats du clustering t-SNE ont montré des clusters distincts pour les différents ensembles de données, les molécules MONA formant un cluster séparé.

L'indice de similarité de Tanimoto a été utilisé pour fournir une comparaison quantitative des empreintes moléculaires. Cette analyse a révélé qu'il y avait généralement de faibles niveaux de similarité entre les ensembles de données atmosphériques et non atmosphériques. Les résultats suggèrent que les composés atmosphériques pourraient être considérés comme hors domaine pour les modèles qui ont été entraînés en utilisant des données provenant d'autres domaines chimiques.

#Discussion

Les structures moléculaires des composés atmosphériques diffèrent de celles d'autres classes de composés en termes de groupes fonctionnels et de composition atomique. Cela indique que lors du transfert de modèles d'apprentissage automatique développés dans un autre domaine vers la chimie atmosphérique, une extrapolation significative pourrait être nécessaire. L'oxydation atmosphérique conduit à des composés organiques contenant des ratios atomiques uniques et des groupes fonctionnels qui ne se trouvent généralement pas ailleurs.

Les chercheurs ont constaté un manque de groupes fonctionnels contenant de l'azote dans les composés atmosphériques par rapport à d'autres classes. Bien qu'il soit connu que de nombreux composés azotés existent dans l'atmosphère, ils sont généralement considérés comme se combinant rapidement avec d'autres molécules et sont souvent exclus des réactions en phase gazeuse dans les modèles. Ces biais computationnels soulignent la nécessité d'une évaluation approfondie lors de la création d'ensembles de données.

Les métriques de similarité t-SNE et Tanimoto ont indiqué de faibles similarités entre les ensembles de données moléculaires, renforçant la conclusion que les composés atmosphériques examinés dans cette étude peuvent être considérés comme hors domaine pour les modèles entraînés sur des composés d'autres domaines. Bien que les trois ensembles de données atmosphériques aient eu certaines caractéristiques communes, ils ont également montré une diversité significative.

#Implications pour les Futures Recherches

Les résultats soulignent la nécessité de développer des ensembles de données axés sur les composés atmosphériques. Rassembler des informations provenant d'autres domaines chimiques pourrait aider à combler les lacunes de données et à améliorer le développement de l'apprentissage automatique. Cependant, l'utilisation de l'augmentation de données doit toujours être évaluée avec prudence, en tenant compte des caractéristiques uniques de la chimie atmosphérique.

L'existence d'ensembles de données atmosphériques limités, qui manquent de couverture complète de plusieurs propriétés pertinentes, pose un défi. Les futurs travaux devraient mettre l'accent sur la combinaison d'ensembles de données ou de modèles existants dans d'autres domaines pour obtenir un ensemble de données plus large pour l'entraînement de l'apprentissage automatique.

Lors de la poursuite de l'intégration d'informations provenant de différents domaines, une attention particulière doit être accordée aux propriétés impliquées et à leur pertinence. Notamment, la formation des particules atmosphériques inclut souvent des composés avec des caractéristiques uniques, telles que des pressions de vapeur très faibles. L'étude a mis en évidence des discordances liées à la pression de vapeur parmi les composés atmosphériques et à la manière dont ils sont représentés dans les ensembles de références.

De plus, l'étude souligne que les différences dans les techniques de mesure et les instruments en science atmosphérique peuvent poser des défis supplémentaires pour la collecte de données. Les futurs efforts devraient privilégier les initiatives visant à partager des données moléculaires et à créer des dépôts en libre accès.

#Conclusion

Cette analyse met en lumière la nécessité d'une meilleure compréhension et de meilleurs ensembles de données dans le domaine de la chimie atmosphérique. En comparant les molécules atmosphériques à d'autres composés utilisés pour l'apprentissage automatique, la recherche souligne l'importance de considérer la similarité de structure moléculaire et ses implications pour le développement de méthodes d'apprentissage automatique.

Alors que la communauté de la chimie atmosphérique s'oriente vers une approche plus axée sur les données, il devient essentiel de combler les lacunes de données existantes. En collaborant sur le partage des données et en reconnaissant les caractéristiques uniques des composés atmosphériques, les chercheurs peuvent accélérer les efforts pour développer des outils d'analyse de haute précision, ce qui fera avancer notre compréhension des processus moléculaires qui affectent le climat et la qualité de l'air.