КОМПЬЮТЕРНОЕ ПРОГНОЗИРОВАНИЕ ФИЗИКО-ХИМИЧЕСКИХ СВОЙСТВ ТРОПИЛИРОВАННЫХ АНИЛИНОВ И ИХ ПРОИЗВОДНЫХ

Аннотация

В работе предпринята попытка применения методов вычислительной химии и машинного обучения для прогнозирования физико-химических свойств тропилированных анилинов и их производных. Расчёты выполнены в среде Python с использованием библиотек RDKit, scikit-learn, NumPy, Pandas и Matplotlib. Построены QSAR-модели методом случайного леса для предсказания хроматографического поведения (Rf) и температуры плавления. Валидация показала удовлетворительную точность для соединений с молекулярной массой до 200 (ошибка 2–6 °С); для амида и крупных молекул (Mr > 300) предсказания существенно расходятся с экспериментом. Определены границы применимости моделей.

Abstract

The paper presents an attempt to apply computational chemistry and machine learning methods for predicting the physicochemical properties of tropylated anilines and their derivatives. All calculations were performed in Python using the RDKit, scikit-learn, NumPy, Pandas and Matplotlib libraries. QSAR models were built by the random forest method to predict chromatographic behavior (Rf) and melting point. Validation demonstrated satisfactory accuracy for compounds with molecular weight up to 200 (error 2–6 °C); predictions for amide and larger molecules (Mr > 300) significantly deviate from experimental data.

Ключевые слова: тропилированный анилин; Python; Rf; молекулярные дескрипторы; RDKit; Random Forest.

Keywords: tropylated aniline; Python; Rf; molecular descriptors; RDKit; Random Forest.

Введение

Интерес к тропилированным анилинам обусловлен наличием в их структуре биогенного 1,3,5-циклогептатриенового фрагмента в пара-положении анилинового кольца, что обеспечивает соединениям противогрибковую, антибактериальную активность и росторегулирующие свойства [1, 2]. Важным инструментом для изучения таких соединений становится компьютерное прогнозирование их физико-химических характеристик, которое снижает потребность в трудоёмких экспериментах

Материалы и методы

В работе использовали тропилированные анилины 1–4 (рисунок).

Расчёты выполнены в Python 3.11 с использованием открытых библиотек [3, 4]. Структуры подготовлены в формате MDL Molfile (.mol). В RDKit рассчитаны дескрипторы: молекулярная масса (Mr), LogP, TPSA, число доноров водородной связи (HBD) и вращаемых связей. QSAR-модели построены методом случайного леса (scikit-learn); обработка и визуализация – в NumPy, Pandas и Matplotlib. Обучающая выборка ограничена соединениями 1–4 с известными экспериментальными данными, поэтому результаты следует рассматривать как демонстрацию работоспособности подхода. Константы соединений и методика синтеза соответствуют литературным данным [5].

Результаты и обсуждение

Для предсказания значений Rf методом тонкослойной хроматографии (ТСХ) использован метод случайного леса. В литературе для тропилированного анилина (1) экспериментально определено значение Rf = 0,39 в системе гексан–этанол (3:1) [2]. Однако эта система не всегда удобна для рутинного анализа, поэтому с помощью QSAR-модели был проведён подбор альтернативного элюента. Расчёт показал, что для системы гексан–этилацетат (1:1) ожидаемое значение Rf составляет 0,38. Экспериментальная проверка дала Rf = 0,36; ошибка предсказания — 0,02 (≈5,5 %), что находится в пределах погрешности ТСХ-эксперимента (±0,03). Таким образом, предложенная система гексан–этилацетат (1:1) обеспечивает хроматографическое поведение, близкое к литературному, и может быть рекомендована как более удобная замена

Также был проведен прогноз температуры плавления тпропилированных анилинов и производных. QSAR-модель откалибрована по экспериментальному значению для тропилированного анилина (1, T.пл = 50 – 51 °C); для N-замещённых производных (2–4) рассчитаны температуры плавления (таблица).

Таблица 1.

Температуры плавления тропилированного анилина и его производных

Примечания: LogP — коэффициент распределения октанол–вода, рассчитанный с помощью RDKit. HBD — число доноров водородной связи.

Модель удовлетворительно предсказывает T.пл для соединений с Mr ≤ 200 (ошибка 2–6 °C). Для амида (3) и крупной молекулы (4, Mr > 300) ошибка достигает ~100 °C: используемый набор дескрипторов не учитывает межмолекулярные взаимодействия в кристаллической решётке (водородные связи амидной группы, π–π-стекинг бензильных фрагментов). Это определяет границы применимости метода.

Заключение

Показана принципиальная возможность применения QSAR-моделей на основе случайного леса для прогнозирования Rf и температуры плавления тропилированных анилинов. Для соединения (1) расчётное значение Rf (0,38) согласуется с экспериментом (0,36), а температуры плавления удовлетворительно предсказываются при Mr ≤ 200 (ошибка 2–6 °C). Для амида (3) и крупной молекулы (4) ошибка достигает ~100 °C из-за отсутствия в наборе дескрипторов учёта межмолекулярных взаимодействий. Полученные результаты очерчивают границы применимости подхода и указывают направление его дальнейшего развития.

Список литературы

1. Патент RU 2479571C1. 4-(1-Циклогепта-2,4,6-триенил)анилин и его солянокислая соль, проявляющие антимикробную активность / Акентьева Т.А. – 2013.

2. Мудрых Н.М., Акентьева Т.А., Жакова С.Н., Пинаева М.И. Тропилированный анилин: способы получения и биологическая активность // Journal of Agriculture and Environment. – 2024. – Т. 41, № 1.

3. RDKit, version 2026.03.2 [Электронный ресурс]. – URL: https://www.rdkit.org.

4. Scikit-learn: Machine Learning in Python [Электронный ресурс]. – URL: https://scikit-learn.org.

5. Акентьева Т.А. Синтез и свойства тропил- и дибензосуберенилзамещённых ароматических аминов: дис. … канд. хим. наук. – Иваново, 2015.