PulseAugur
中
实时 02:05:39
English(EN) An Additive MLP-GNN Framework for Characterizing Chemical and Structural Contributions to Aqueous Solubility

新的加性深度学习框架分离化学和结构数据以进行溶解度预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的加性深度学习框架，旨在更好地预测药物发现中的水溶性。该框架将由多层感知机处理的理化描述符与由图神经网络处理的分子图拓扑分离开来。仅在预测阶段结合这两个信息源，该模型可以更清晰地理解溶解度预测是由全局化学还是分子结构驱动的。该框架在预训练于较大的AqSolDB数据集并在较小的BigSolDB2数据集上进行微调时，表现出更高的准确性和更低的变异性，表明其具有强大的特征学习能力。 AI

影响 提供了一种更透明的方法来预测关键的药物发现属性，有可能加速可行候选药物的识别。

排序理由 该集群包含一篇详细介绍针对特定科学问题的机器学习新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的加性深度学习框架分离化学和结构数据以进行溶解度预测

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Arkaprava Roy ·

    用于表征化学和结构对水溶性贡献的加性MLP-GNN框架

    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…

相关实体

相关话题