Abstract Machine learning can be used to predict the properties of polymers and explore vast chemical spaces. However, the limited number of available experimental datasets hinders the enhancement of the predictive performance of a model. This study proposes a machine learning approach that leverages transfer learning and ensemble modeling to efficiently predict the glass transition temperature ( T g ) of fluorinated polymers and guide the design of high T g copolymers. Initially, the quantum machine 9 (QM9) dataset is employed for model pretraining, thus providing robust molecular representations for the subsequent fine‐tuning of a specialized copolymer dataset. Ensemble modeling is used to further enhance prediction robustness and reliability, effectively addressing the problems owing to the limited and unevenly distributed nature of the copolymer dataset. Finally, a fine‐tuned ensemble model is used to navigate a vast chemical space comprising 61 monomers and identify promising candidates for high T g fluorinated polymers. The model predicts 247 entries capable of achieving a T g over 390 K, of which 14 are experimentally validated. This study demonstrates the potential of machine learning in material design and discovery, highlighting the effectiveness of transfer learning and ensemble modeling strategies for overcoming the challenges posed by small datasets in complex copolymer systems.

Macromolecular Rapid CommunicationsVolume 45, Issue 15 2470030 Cover PictureFree Access High Glass Transition Temperature Fluorinated Polymers Based on Transfer Learning with Small Experimental Data Jin-Hoon Yang, Jin-Hoon YangSearch for more papers by this authorJiyoung Lee, Jiyoung LeeSearch for more papers by this authorHajin Kwon, Hajin KwonSearch for more papers by this authorEun-Ho Sohn, Eun-Ho SohnSearch for more papers by this authorHyunju Chang, Hyunju ChangSearch for more papers by this authorSeunghun Jang, Seunghun JangSearch for more papers by this author Jin-Hoon Yang, Jin-Hoon YangSearch for more papers by this authorJiyoung Lee, Jiyoung LeeSearch for more papers by this authorHajin Kwon, Hajin KwonSearch for more papers by this authorEun-Ho Sohn, Eun-Ho SohnSearch for more papers by this authorHyunju Chang, Hyunju ChangSearch for more papers by this authorSeunghun Jang, Seunghun JangSearch for more papers by this author First published: 07 August 2024 https://doi.org/10.1002/marc.202470030AboutPDF ToolsRequest permissionExport citationAdd to favoritesTrack citation ShareShare Give accessShare full text accessShare full-text accessPlease review our Terms and Conditions of Use and check box below to share full-text version of article.I have read and accept the Wiley Online Library Terms and Conditions of UseShareable LinkUse the link below to share a full-text version of this article with your friends and colleagues. Learn more.Copy URL Share a linkShare onEmailFacebookTwitterLinkedInRedditWechat Graphical Abstract Front Cover: In article 2400161, Seunghun Jang and co-workers use a large computational dataset of organic molecules to build an artificial intelligence (AI) model that accurately predicts polymer properties using a small experimental polymer dataset. The transfer learning process in which a small experimental polymer dataset is passed through a large computational dataset of organic molecules to construct an accurate AI prediction model is represented. This suggests that a precise polymer property prediction model through transfer learning, even with a small amount of experimental data is implemented. Volume45, Issue15August 20242470030 RelatedInformation

During Ar + sputtering and UHV annealing processes on undoped SrTiO 3 (001) surfaces, the interactions between SrO and impurity ions can be witnessed from their Sr 3d spectra.

Abstract X-linked inhibitor of apoptosis-associated factor 1 (XAF1) is a stress-inducible pro-apoptotic protein that is commonly inactivated in multiple human cancers. Nevertheless, the molecular basis for its tumor suppression function remains largely uncharacterized. Here we report that XAF1 antagonizes the oncogenic activity of tripartite motif containing 28 (TRIM28) ubiquitin E3 ligase through zinc finger protein 313 (ZNF313)-induced ubiquitination and proteasomal degradation. XAF1 exerts apoptosis-promoting effect more strongly in TRIM28 + / + versus XAF1 −/− tumor cells and suppresses tumor cell growth, migration, invasion, and epithelial-to-mesenchymal transition and xenograft tumor growth in a highly TRIM28-dependent fashion. Mechanistically, XAF1 interacts directly with the RING domains of TRIM28 and ZNF313 through the ZF6 and ZF7 domain, respectively, thereby facilitating ZNF313 interaction with and ubiquitination of TRIM28. A mutant XAF1 lacking either ZF6 or ZF7 domain exhibits no activity to promote TRIM28 ubiquitination. By destabilizing TRIM28, XAF1 blocks TRIM28-driven ubiquitination of p53 and RLIM, p53-HDAC1 interaction, and TWIST1 stabilization. Intriguingly, TRIM28 destabilizes XAF1 through K48-linked polyubiquitination and proteasomal degradation to protect tumor cells from apoptotic stress, indicating its role as an intrinsic antagonist against XAF1 and the antagonistic interplay of XAF1 and TRIM28. XAF1 expression is inversely correlated with TRIM28 expression in cancer cell lines and tumor tissues and more tightly associated with the survival of TRIM28-high versus TRIM28-low patients. Together, this study uncovers a novel mechanism by which XAF1 suppresses tumor malignancy and an important role for XAF1-TRIM28 interplay in governing stress response, illuminating the mechanistic consequence of its alteration during tumorigenic process.