求助有机光伏的机器学习，数据来源和数据生成流程的一致性问题

lzy5260

各位老师好，我想请教个问题。我导师是做有机光伏的机器学习，让我把做三元有机光伏实验人的新合成的分子结构用Chemdraw画出来，再用Marsketch转为3D,提取坐标，用p opt freq 6-31g(d) m062x进行高斯计算，我觉得是找能量最低的状态，我导师也没有进行构象搜索，把用高斯计算的log文件的数据，作为机器学习的输入特征进行建模。我有的分子结构是用Chemdraw画出来，再用Chem3D转为3D,提取坐标,再用同样的机组泛函进行计算。我觉得我没有保证数据来源的保持数据生成流程的一致性，会有机器学习的结果影响吗？

sobereva

只要都用比如molclus（http://www.keinsci.com/research/molclus.html）做了构象搜索，尤其是系统式构象搜索（见《gentor：扫描方式做分子构象搜索的便捷工具》http://bbs.keinsci.com/thread-2388-1-1.html），初始三维结构怎么创建的无所谓，别看上去严重离谱就行。

至于没有做构象搜索就做优化结果能不能用，取决于具体是什么分子、初始结构产生成了什么模样，以及具体你把分子的什么属性用于机器学习（对构象不敏感的属性，忽略构象搜索的过程往往还算能说得过去，如多数体系的电离能；而敏感的则不行，比如偶极矩、很多体系的1H NMR、手性分子的VCD/ECD和光学旋转）

lzy5260

首先谢谢老师的耐心解答。我是一个小白。
老师你的意思是不管是用Marsketch转为3D还是chem3d转为3D,流程不一致不是最大问题，都没做构象搜索才是。我导师也没有做构象搜索。我的也先不做构象搜索了，你建议我接下来是用Marsketch转为3D还是chem3d转为3D。这不同的流程应该对计算结果影响不大吧？

wzkchem5

有直接把结构图片转为SMILES的工具，可以搜一下。有SMILES之后可以用脚本批量调用其他工具转成原子坐标，再做构象搜索之类的，效率能高很多

lzy5260

好滴，谢谢老师

swordshine

有一个比较老的OPV数据集 The Harvard organic photovoltaic dataset （HOPV）,每个单一分子都是包含多构象的。

有机分子用于材料体系，很看你想要具体怎么做，大部分时候并不需要DFT计算。DFT计算往往是为了构建上述的中大型数据集而做的，全主要构象计算工作量极大。

HOMO/LUMO 是OPV类ML主要想要通过计算得到的信息，但实际上，分子构象依然会对能级有一定的影响，具体影响大小视你的任务而定。

此外，文献数据的噪声又非常巨大（没人知道这些PCE性能数据到底有多少猫腻），这类体系的ML往往是“garbage in, garbage out”。

lzy5260

好滴，谢谢老师