כתבה
arXiv cs.LG ·
פרקטיקה חדשה לתיאור תכונות כימיות ומבנה מולקולרי לצורך חיזוי פושרות במים
An Additive MLP-GNN Framework for Characterizing Chemical and Structural Contributions to Aqueous Solubility
חברת המחקר arXiv הציגה פרקטיקה חדשה לחיזוי פושרות במים, המשלבת גם תכונות כימיות וגם מבנה מולקולרי. הפרקטיקה, המכונה MLP-GNN, משלבת שני גזרות: גזרת כימית המקודדת תכונות כימיות וגזרת מבנה מולקולרי המקודדת מבנה המולקולה. השניים מוחזרים רק בשלב החיזוי. הפרקטיקה נבחנה על שני קבצי נתונים: AqSolDB ו-BigSolDB2. התוצאות הראו תוצאות טובות וצפייה נמוכה בשינויים.
תקציר מקורי באנגליתarXiv:2607.02212v3 Announce Type: replace-cross 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 by global chemistry, molecular structure, or both. We present an additive deep-learning framework that keeps these two sources of information separate throughout training: physicochemical descriptors are encoded by a multilayer perceptron (the chemical branch) and molecular graph topology by a graph neural network (the structural branch), with the two outputs combined only at the prediction stage through an additive model with an optional multiplicative interaction. This design provides a direct decomposi
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית