선형 용매화 에너지 관계(LSER) 모델은 흡착 및 크로마토그래피에서 분자 상호작용이 용질의 보유 또는 흡착에 미치는 영향을 설명하는 데 사용됩니다. 이 모델은 용질의 분배 계수를 다양한 분자 특성과 연관시켜 용질 설명자를 기반으로 예측을 가능하게 하며, 이러한 설명자는 양자 화학을 통해 찾아보거나 계산할 수 있습니다.
수학적으로 LSER 모델은 선형 방정식으로 표현되며, 계수는 여러 용질에 대한 실험 데이터의 다중 선형 회귀 분석을 통해 얻어집니다. 용질 데이터 수집은 노동 집약적이며, 용질 자체에 한계(예: 낮은 용해도, 높은 가격, 불안정성)가 있을 수 있으므로 최적의 최소 용질 세트를 선택하는 것이 중요합니다.
본 연구는 모델 계수의 표준 오차를 최소화하는 화학적으로 다양한 최소 용질 집합을 선택하는 전략을 논의합니다. 용질 특성 변수가 제한된 범위에 걸쳐 있는 경우를 고려하여 몬테카를로 시뮬레이션(Python 통합을 통해 JMP에서 수행)을 사용하여 잠재적 용질을 탐색합니다. 표준 오차에 대한 이론적 상한 및 하한을 제시합니다. 등분산 및 이분산 LSER 모델을 모두 고려합니다. 마지막으로, 용질 특성 변수 간의 상호 의존성이 이러한 전략의 통계적 견고성에 미치는 영향을 논의합니다.
안녕하세요 여러분, 저희 포스터 발표에 오신 것을 환영합니다. 오늘은 선형 용매화 에너지 관계(LSER)에 대해 이야기해 보겠습니다. LSER은 일종의 열역학 모델입니다. 저희는 용질이 고체와 상호작용하는 과정을 중심으로 살펴볼 것입니다. 간단한 예로, 염료 분자(용질)가 섬유(고체)에 결합하는 경우를 들 수 있습니다.
염료와 섬유 사이의 상호작용 강도는 염료의 특성뿐 아니라 섬유의 특정 특성에도 영향을 받습니다. 이러한 상호작용은 흡수 상수와 같은 물성을 이용하여 측정할 수 있습니다. 화학자 마이클 아브라함이 개발한 LSER 모델에서는 이 물성을 두 가지 양의 선형 조합으로 표현합니다. 하나는 분자 특성 변수로, 대문자 E, S, A, B, V로 나타내며, 용질의 산성도나 극성도와 같은 특성을 나타냅니다. 이러한 값들은 잘 알려져 있고, 예를 들어 헬름홀츠 환경 연구 센터와 같은 대규모 데이터베이스에 표로 정리되어 수록되어 있습니다.
LSER 모델의 두 번째 부분은 소문자 c, e, s, a, b, v로 구성됩니다. 이 문자들은 시스템 상수라고 하며, 다중 선형 회귀 분석을 통해 실험적으로 결정해야 합니다. LSER 모델은 화학 공학, 환경 공학 등에서 널리 사용됩니다. 따라서 복잡한 시스템을 설명하고, 화학 물질의 독성, 감각 자극 특성, 토양, 수분 흡수율, 계수 등을 예측하는 데 도움이 됩니다.
이러한 모델들은 생명과도 같으며, 다양한 양자 화학 기법 등을 통해 그 적용 범위가 현재 확장되고 있습니다. 이것이 바로 진정한 모델입니다. 우리가 스스로에게 던지는 질문은 다음과 같습니다. LSER 모델은 선형 회귀 모델이므로, 가능한 한 불확실성을 최소화하면서 시스템 계수를 최대한 정확하게 추정할 수 있는 최소한의 용질 집합을 찾아야 합니다. 이 방정식을 보면, 다중 선형 회귀 분석을 해야 하므로 시스템 계수를 결정하기 위해서는 최소 6개의 용질이 필요하다는 것을 알 수 있습니다.
통계적 관점에서 볼 때, 선형 회귀 문제에서 신뢰할 수 있는 추정치를 얻으려면 분자 설명 변수들이 상당히 넓은 범위를 포괄해야 한다는 것은 당연한 사실입니다. 이는 여기에 제시된 것처럼 하나의 설명 변수와 정규 분포를 따르는 잡음을 가진 매우 간단한 등분산 모델을 통해 설명할 수 있습니다. 표준 편차는 추정치의 표준 오차를 다음과 같이 결정합니다. 이 방정식을 살펴보면 분자 설명 변수의 x 값에 대한 표준 편차도 포함되어 있음을 알 수 있습니다.
우리가 보여드린 바와 같이 이 비율은 데이터 포인트 수에만 의존합니다. 다시 말해, 예를 들어 기울기의 표준 오차의 경우에도 마찬가지입니다. 즉, 커버리지가 클수록 특정 기울기의 추정치가 더 신뢰할 수 있게 됩니다. 사실, 실험 포인트의 수보다 커버리지를 높이는 것이 더 중요합니다. 이것은 순전히 통계적인 측면입니다. 하지만 또 다른 측면, 즉 화학적 측면도 있습니다. 데이터베이스에서 용질을 선택할 때, 우연히 화학적으로 매우 유사한 용질을 선택할 수도 있습니다.
즉, 5개의 분자 설명자가 서로 상관관계가 있다는 뜻입니다. 이러한 문제를 다중공선성 문제라고 합니다. 물론, 이러한 용질을 사용하는 것이 주요 문제인지 아닌지, 그리고 다중공선성 문제를 줄이는 것이 범위 최대화보다 더 중요한지 여부가 관건입니다. 이 질문에 답하기 위해 우리는 보다 체계적인 방식으로 다양한 전략을 탐색하기로 했습니다. 이제 프리티에게 마이크를 넘겨 우리의 접근 방식을 더 자세히 설명해 달라고 하겠습니다.
감사합니다, 파벨. 실험 노력을 최소화하면서 문제를 해결하기 위해 최소 용질 세트를 선택하는 두 가지 전략을 살펴보겠습니다. 첫 번째 전략에서는 설명자 간 상관관계를 최소화하려고 시도합니다. 즉, 설명자 간 상호 의존성이 최소화된 화합물을 선택하여 다중공선성을 줄입니다. 이 전략은 각 설명자의 개별적인 기여도를 분리하고 통계적 견고성을 향상시키는 것을 목표로 합니다. 두 번째 전략에서는 설명자 간 차이가 최대인 용질 세트를 선택합니다.
설명 변수 간의 거리를 구하기 위해, 변수들을 0에서 1 사이로 정규화합니다. 이는 다양한 화학적 공간을 선택하고 예측력을 향상시키는 데 도움이 됩니다. 이 방법은 결정론적 방법으로, 동일한 데이터베이스와 동일한 설명 변수를 사용하는 한, 언제든지 동일한 용질 집합 또는 동일한 결과 집합을 얻을 수 있습니다. 두 전략 모두 5,000개 이상의 화합물로 구성된 전체 데이터 세트에서 20개와 50개의 화합물로 이루어진 데이터 세트를 선택하여 테스트했습니다. 계산 시, 소문자로 표시된 시스템 계수는 모두 1이라고 가정합니다. 전략 1의 경우, 피어슨 상관 계수를 사용하여 상관 행렬을 계산합니다. 그런 다음, 다중공선성을 정량화하기 위해 평균 절대 상관 계수(AAC)를 계산합니다.
AAC 값이 1에 가까우면 디스크립터 간의 상관관계가 높고, 0에 가까우면 상관관계가 없습니다. 전략 1에서는 20개와 50개의 화합물을 조합하여 AAC 값이 가장 작은 경우를 10,000번 반복합니다. 이렇게 작은 데이터 세트를 선택한 후, 매 반복마다 속성에 무작위 정규 잡음을 추가하여 다중 선형 회귀 분석을 수행합니다. 이를 통해 잡음이 계수 분포에 미치는 영향을 분석할 수 있습니다. 전략 2에서는 디스크립터를 최소-최대 스케일링을 사용하여 정규화하고, 시작 화합물은 정규화된 디스크립터 값의 중앙값을 기준으로 선택합니다. 이후 화합물은 유사도를 최대화하는 방식으로 선택합니다. 이를 통해 선택된 화합물이 다양한 화학적 공간을 포괄하도록 합니다. 이제 두 전략의 결과를 비교해 보겠습니다.
다중 선형 회귀 분석 과정에서 10,000회 이상의 반복에 걸쳐 무작위 정규 잡음을 도입하면 JMP 소프트웨어를 사용하여 시각화한 결과 계수 분포가 크게 달라집니다. 중심극한정리에 따라 계수 분포는 가우시안 곡선에 수렴하는 경향을 보이며, 반복 횟수가 증가함에 따라 분산이 감소합니다. 설명을 단순화하기 위해 6개의 시스템 계수 중 2개만 선택하여 논의하겠습니다. 먼저 전략 1과 전략 2의 AAC 값을 비교해 보겠습니다. 전략 1의 AAC 값이 전략 2보다 낮은 것을 확인할 수 있는데, 이는 전략 1의 주요 목표가 설명 변수 간의 상관관계를 최소화하여 용질 상관관계의 평균을 최소화하는 것이므로 예상되는 결과입니다.
한편으로는 다중공선성을 줄였지만, 다른 한편으로는 시스템 계수의 평균값이 0.7~1.5 사이로 실제 값인 1에서 크게 벗어나고 표준편차가 보통 0.3 정도로 높아 화학적 공간의 다양성이 부족합니다. 전략 2를 고려했을 때, AAC 값이 전략 1의 거의 두 배에 달하는 것을 볼 수 있는데, 이는 설명 변수들 간의 상관관계가 더 강해 다중공선성이 발생함을 의미합니다.
흥미롭게도, 이러한 시스템 계수의 평균값은 표준편차가 0.2인 실제 값 1에 매우 근접해 있다는 점은 전략 2가 다양한 화학적 공간과 예측 정확도를 달성하는 데 더 적합함을 보여줍니다. 또한 50개 화합물로 구성된 데이터 세트의 표준편차가 20개 화합물로 구성된 데이터 세트보다 낮습니다. 5,000개 화합물로 구성된 전체 데이터 세트를 사용하여 전략 1과 전략 2를 비교했을 때, 모든 화합물을 고려하고 최소화 과정이 없기 때문에 AAC 값이 더 높다는 것을 알 수 있습니다. 평균값은 실제 값에 더 가깝고, 전체 데이터 세트에 대한 표준편차는 구현된 전략에서 얻은 값보다 10배 더 낮습니다.
선택한 화합물의 수가 많을수록 히스토그램 분포는 더 좁아집니다. 결론적으로, 설명자 간의 차이가 최대인 용질을 찾는 전략 2가 더 큰 화학적 공간을 더 잘 반영하고 대표하는 데이터 세트를 제공하는 것으로 보입니다. 두 전략 모두 사용자의 최종 목표에 따라 뚜렷한 장점을 가지고 있습니다. JMP가 제공하는 강력하고 직관적인 통계 분석 도구에 감사드립니다. 다중 선형 회귀 기능은 변수 간의 관계를 효과적으로 모델링할 수 있도록 해주었고, 히스토그램 플로팅 도구는 데이터 분포를 명확하게 시각화하여 분석 및 해석에 도움을 주었습니다. 감사합니다.
감사합니다
