مزامنة المنهج التوافقي وتقنية الخواص المجمعة لتصميم سائل ايوني لفصل اللجنين والهيميسليلوز عن السليلوز من نبات الطرفاء الصحراوي

Abstract

يعدُّ التصميم الجزيئي بمساعدة الكمبيوتر (CAMD) أداة محورية لابتكار جزيئات ذات خواص مُستهدفة ومحددة مسبقاً، ويمثل حلاً للمسألة العكسية للتنبؤ بالخواص التي تنطلق من البنية الجزيئية للمركب يتم الانطلاق من الحواص المطلوبة لتوليد البنية الجزيئية المناسبة . تكمن إشكالية البحث الحالي في التحدي التوافقي المعقد لتصميم سائل أيوني مثالي يمتلك كفاءة عالية لفصل اللجنين والهيميسليلوز عن السليلوز المستخلص من نبات الطرفاء الصحراوي. ولتقليص عدد الاحتمالات الجزيئية، يهدف هذا العمل إلى نمذجة مسألة التصميم من خلال المزامنة بين تقنية الخواص المجمعة، والمنحنى التوافقي، وطرق مساهمة المجموعات لموائمة قيود الخواص المطلوبة. تمر هذه المنهجية عبر عدة مراحل تبدأ بتجميع الخواص ، ثم التحليل التوافقي، والتمثيل الهرمي الجزيئي لتسهيل الاستكشاف البياني الأولي للبنيات المحتملة. وفي ختام الدورة التصميمية، ولتقليص فضاء البحث، تُدمج خوارزمية شجرة قرار التعلم الآلي لتجميع الخواص وتصفية المرشحات الجزيئية، مما يضمن الوصول إلى السائل الأيوني.

Computer-Aided Molecular Design (CAMD) is a pivotal tool for innovating molecules with predefined, targeted properties, and it represents a solution to the inverse problem of property prediction, which starts from the molecular structure of a compound. The process begins with the required properties to generate the appropriate molecular structure. The challenge of the current research lies in the complex combinatorial problem of designing an ideal ionic liquid with high efficiency for separating lignin and hemicellulose from cellulose extracted from the desert Tamarisk plant. To reduce the number of molecular possibilities, this work aims to model the design problem by integrating Group Contribution methods, Combinatorial Optimization, and Property Clustering techniques to satisfy the required property constraints. This methodology proceeds through several stages, starting with property clustering, then combinatorial analysis, and molecular hierarchical representation to facilitate the initial graphical exploration of potential structures. At the end of the design cycle, and to reduce the search space, a Machine Learning Decision Tree algorithm is integrated for property clustering and filtering molecular candidates, thus ensuring the identification of the optimal ionic liquid

Machine Learning

Group Contribution Methods

Ionic Liquid