基于相关性的RDKit描述符与分子指纹特征选择用于聚氨酯玻璃化转变温度预测

摘要 本研究提出了一种基于数据驱动的机器学习框架，用于预测聚氨酯的玻璃化转变温度（Tg）。构建了经过整理的文献数据库，并使用SMILES描述符对分子结构进行编码。经过预处理后，训练了四种回归模型——支持向量回归（SVR）、决策树、随机森林和极端梯度提升（XGBoost），其中XGBoost表现最佳（R²≈0.903）且具有良好的泛化能力。通过皮尔逊相关分析优化了特征选择。与Morgan指纹的比较显示，SMILES描述符具有更优的预测精度和更清晰的结构-性能关系洞察。利用SHAP和ALE可解释性工具进一步揭示了特定化学特征如何影响Tg，支持模型的物理可靠性。总体而言，本研究提供了一种准确且可解释的聚合物性能预测方法，为新一代聚氨酯材料设计提供了实用指导。