Deep learning for rate prediction of ester hydrolysis and conditional molecular design of desirable hydrolysis rate

隨著石化工業的進步發展，許多塑膠高分子製品在現今的社會得到廣泛的應用，不過就在享受塑膠帶來便利與低成本的背後，由於過去塑膠製品的化學活性安定，不易分解，目前已經對自然環境造成嚴重的汙染，如何降低塑膠製品對於廢棄物的累積成為重要議題，為了解決塑膠在環境上的問題，因而提出許多種可分解的高分子材料，在這些材料中，特別是可再生天然生物質資源所衍變得到的生物基高分子，具有良好的生物分解性材料─生物可分解材料(Biodegradable Materials)，在現今倡導永續經營的綠色時代中成為備受關注的新興材料之一。生物可分解性塑膠材料大多是以不含苯環的聚酯類化合物當做主要原料，這是利用酯基遇水容易水解的特性，導致主鏈斷鍵，降低分子量，而微生物酵素可持續將聚酯類化合物分解成更小的分子，最終分解為二氧化碳和水[1]。然而，生物可分解材料會受到許多因素影響其水解速率(hydrolysis rate)，像是溫度、pH值、材料結構、單體的組成比例或聚合物親/疏水性等。為了準確地預測酯類分子的水解速率，本研究透過美國環保署資料庫進行深度學習(Deep Learning)[2]，建立一個可用於預測酯類分子的水解速率之模型，另外還可以讓酯類分子依照設定的水解速率演化出對應的酯類分子結構。最重要的是，深度學習可以幫助開發者縮短研究與分子設計的時間，有助於生物可分解高分子的發展，並可加速生物可分解高分子產品的多元應用與推廣。補正完