High-Throughput Screening of Promising Redox-Active Molecules with MolGAT

https://pubs.acs.org/doi/full/10.1021/acsomega.3c01295

1. 本研究の学術的な背景と研究が解決する問題は何ですか？
==>Redox Flow Batteries（RFBs）は、高いエネルギー密度、低コスト、環境利益を持つことから、大規模なエネルギー貯蔵の有望なオプションとして注目されている。しかし、RFB技術の開発において、高い酸化還元反応活性、水溶性、安定性、速い酸化還元反応速度を示す有機化合物の同定は、重要でありかつ困難なステップです。

2. 本研究の目的及び学術的独自性と創造性は何ですか？
==> 本研究は、有機分子の分子構造、原子性、結合属性を使用して、グラフニューラルネットワーク（GNN）を利用して、有望な酸化還元反応活性分子を予測するMolGATというモデルを開発しました。このモデルを利用することで、大量の化学データセットを素早くスクリーニングし、RFBに使用できる有望な化合物を同定することができます。

3. 研究の着想を得た経緯や、関連する国内外の研究動向とは何ですか？
==> 過去の研究では、有機化合物の高速スクリーニングのために機械学習が徐々に注目を集めています。また、GNNを利用した材料設計に関する研究も進んでいます。

4. 本研究で何をどのように，どこまで明らかにした？
==> 本研究では、有機化合物の分子構造、原子性、結合属性を使用して、GNNを利用したMolGATというモデルを開発しました。このモデルにより、15,000以上の化合物からRFBに使用できる有望な化合物を同定することができ、その中でも20,716の化合物がアノードとして機能し、2,751の化合物がカソードとして機能していることが分かりました。

5. 本研究の有効性はどのように検証した？
==> 本研究では、MolGATモデルを使い大量の化学データセットをスクリーニングし、RFBに使用できる酸化還元反応活性分子を同定しました。また、RFBにおいてMolGATモデルが他のGNNに比べて優れていることを示しました。これによって、GNNを利用した材料設計の可能性が示唆されました。