研究人员开发了一个新的加性深度学习框架，旨在更好地预测水溶性，这是药物发现中的一个关键属性。该框架将理化描述符和分子图信息分离到不同的分支中，从而更清晰地理解哪些因素影响溶解度预测。通过在更大的数据集（AqSolDB）上预训练，并在较小的数据集（BigSolDB2）上进行微调，该模型展示了更高的准确性和泛化能力。该框架的可解释性允许分别分析化学和结构贡献，其中化学分支与已知描述符一致，而结构分支识别拓扑和官能团模式。 AI
影响 该框架为预测化学性质的AI模型提供了更高的可解释性，通过阐明溶解度的驱动因素，有可能加速药物发现。
排序理由 该集群包含一篇详细介绍新机器学习框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.02212v1 Announce Type: new Abstract: Aqueous solubility is a key property in early-stage drug discovery, but most predictive models merge physicochemical descriptors and molecular graph information into a single representation, obscuring whether a prediction is driven …
Aqueous solubility is a key property in early-stage drug discovery, but most predictive models merge physicochemical descriptors and molecular graph information into a single representation, obscuring whether a prediction is driven by global chemistry, molecular structure, or bot…