Determination of spectroscopic properties of biological molecules using machine learning methods (Python code)
| datacite.contributor.Supervisor | Δασκαλάκης, Ευάγγελος | |
| dc.contributor.author | Μινασιάν, Αζάτ | |
| dc.contributor.other | Minasian, Azat | |
| dc.date.accessioned | 2026-02-27T10:21:09Z | |
| dc.date.available | 2026-02-27T10:21:09Z | |
| dc.date.issued | 2026-02-20 | |
| dc.degree | graduateThesis | |
| dc.description.abstract | This thesis investigates the application of supervised machine learning methods for predicting vertical electronic excitation energies of a biologically relevant chromophore embedded in a protein environment. The Photoactive Yellow Protein (PYP) was selected as a model system, with reference excitation energies obtained from quantum mechanics/molecular mechanics (QM/MM) simulations combined with time-dependent density functional theory (TD-DFT). Molecular configurations were encoded using Coulomb matrix representations to provide physically meaningful descriptors suitable for regression models. A dataset comprising 171 chromophore configurations was constructed and used to train and evaluate three distinct machine learning approaches: a Multilayer Perceptron (MLP), a Convolutional Neural Network (CNN), and Kernel Ridge Regression (KRR). All models were trained to predict excitation energies expressed in wavelength units (nm), enabling direct comparison of predictive performance. The results demonstrate that all three models achieve comparable accuracy, with mean absolute errors in the range of approximately 5–6 nm. Kernel Ridge Regression exhibited the lowest overall prediction error and the most stable learning behaviour, highlighting its strong data efficiency in the small-dataset regime. The MLP provided competitive performance with rapid convergence and moderate computational cost, while the CNN did not yield a clear advantage, indicating that the available dataset size is insufficient to fully exploit convolutional architectures. Further analysis of learning curves and excitation-energy distributions revealed distinct generalization characteristics among the models, emphasizing the importance of matching model complexity to data availability. Overall, this work demonstrates that machine learning models can serve as efficient surrogate models for computationally demanding quantum-chemical calculations in biomolecular spectroscopy. Future work should focus on expanding the dataset, incorporating more advanced molecular representations, and exploring hybrid physics-informed learning strategies to further improve accuracy and transferability. | |
| dc.description.translatedabstract | Στην παρούσα διπλωματική εργασία αναπτύχθηκαν και αξιολογήθηκαν μοντέλα επιβλεπόμενης μηχανικής μάθησης (supervised machine learning) για την πρόβλεψη των κατακόρυφων ηλεκτρονικών ενεργειών διέγερσης ενός φωτοενεργού χρωμοφόρου εντός πρωτεϊνικού περιβάλλοντος. Ως αντιπροσωπευτικό μοντέλο σύστημα επιλέχθηκε η Photoactive Yellow Protein (PYP), ενώ οι τιμές αναφοράς των ενεργειών διέγερσης προέκυψαν από υπολογισμούς κβαντομηχανικής/μοριακής μηχανικής (QM/MM). Οι μοριακές δομές κωδικοποιήθηκαν μέσω αναπαραστάσεων μητρώων Coulomb, ώστε να καταστεί δυνατή η εφαρμογή μεθόδων παλινδρόμησης. Υλοποιήθηκαν και συγκρίθηκαν συστηματικά τρεις διακριτές προσεγγίσεις μηχανικής μάθησης: ένα Multilayer Perceptron (MLP), ένα Convolutional Neural Network (CNN) και Kernel Ridge Regression (KRR). Όλα τα μοντέλα εκπαιδεύτηκαν ώστε να προβλέπουν ενέργειες διέγερσης εκφρασμένες σε μονάδες μήκους κύματος (nm), επιτρέποντας την άμεση και συνεπή σύγκριση της προγνωστικής τους απόδοσης. Τα αποτελέσματα δείχνουν ότι και οι τρεις προσεγγίσεις επιτυγχάνουν ικανοποιητική ακρίβεια παρά τους περιορισμούς του σχετικά μικρού συνόλου δεδομένων. Η μέθοδος Kernel Ridge Regression παρουσίασε το χαμηλότερο συνολικό σφάλμα πρόβλεψης και την πιο σταθερή μαθησιακή συμπεριφορά, αναδεικνύοντας υψηλή αποδοτικότητα ως προς τα διαθέσιμα δεδομένα. Το MLP πέτυχε συγκρίσιμη ακρίβεια με ταχεία σύγκλιση και μέτριο υπολογιστικό κόστος, επιβεβαιώνοντας την αποτελεσματικότητά του ως αξιόπιστου μοντέλου βάσης. Αντίθετα, το CNN δεν εμφάνισε σημαντικό πλεονέκτημα απόδοσης, αναδεικνύοντας τις δυσκολίες εφαρμογής αρχιτεκτονικών υψηλής πολυπλοκότητας σε σενάρια με περιορισμένα δεδομένα εκπαίδευσης. Η ανάλυση της μαθησιακής συμπεριφοράς (learning behaviour) και των κατανομών ενεργειών διέγερσης αποκάλυψε επιπλέον διαφορές ως προς τη γενίκευση των μοντέλων. Ενώ οι προσεγγίσεις που βασίζονται σε νευρωνικά δίκτυα επωφελούνται από μεγαλύτερη διαθεσιμότητα δεδομένων, οι πυρηνικές μέθοδοι παραμένουν ιδιαίτερα ανταγωνιστικές σε περιπτώσεις μικρών συνόλων δεδομένων. Τα ευρήματα αυτά υπογραμμίζουν τη σημασία της κατάλληλης αντιστοίχισης μεταξύ πολυπλοκότητας μοντέλου, επαγόμενης προκατάληψης (inductive bias), μοριακής αναπαράστασης και μεγέθους συνόλου δεδομένων. Η παρούσα εργασία καταδεικνύει ότι τα μοντέλα μηχανικής μάθησης μπορούν να λειτουργήσουν αποτελεσματικά ως υποκατάστατα των υπολογιστικά απαιτητικών κβαντοχημικών μεθόδων για την πρόβλεψη ιδιοτήτων διεγερμένων καταστάσεων φωτοενεργών πρωτεϊνών. Τα αποτελέσματα αναδεικνύουν τη δυναμική του συνδυασμού προσομοιώσεων QM/MM με προσεγγίσεις βασισμένες σε δεδομένα για τη βελτίωση των φασματοσκοπικών προβλέψεων, ενώ ταυτόχρονα επισημαίνουν υφιστάμενους περιορισμούς που σχετίζονται με τη δειγματοληψία διαμορφώσεων και τη διαθεσιμότητα δεδομένων. Μελλοντικές εργασίες μπορούν να επικεντρωθούν στην επέκταση του συνόλου δεδομένων, στην ενσωμάτωση επιπλέον μοριακών περιγραφέων (molecular descriptors) και στη διερεύνηση υβριδικών ή συνδυαστικών στρατηγικών μάθησης με στόχο την περαιτέρω βελτίωση της ακρίβειας και της μεταφερσιμότητας των μοντέλων. | |
| dc.identifier.uri | https://hdl.handle.net/10889/31501 | |
| dc.language.iso | en | |
| dc.subject | Machine learning | |
| dc.subject | Molecular dynamics | |
| dc.subject | QM/MM | |
| dc.subject | TD-DFT | |
| dc.subject.alternative | Μηχανική μάθηση | |
| dc.subject.alternative | Φωτοενεργά χρωμοφόρα | |
| dc.title | Determination of spectroscopic properties of biological molecules using machine learning methods (Python code) | |
| dc.title.alternative | Προσδιορισμός φασματοσκοπικών ιδιοτήτων βιομορίων με μεθόδους μηχανικής μάθησης (κώδικας Python) |