利用整合溶质 - 溶剂相互作用的 MolMerger 通过图神经网络预测多种溶剂中的溶解度
无序系统与神经网络
2024-02-20 v1
摘要
溶解度预测一直是一个复杂且具有挑战性的物理化学问题，对化学和制药行业具有巨大影响。机器学习方法的最新进展为预测大量分子系统的可靠溶解度提供了广阔前景。然而，这些方法大多依赖于从实验中获得的物理性质或昂贵的量子化学计算。在此，我们开发了一种方法，利用`MolMerger'对溶质 - 溶剂相互作用进行图形化表示；该方法利用 Gasteiger 电荷捕捉分子间最强的极性相互作用，并构建了一个包含系统真实性质的图。以这些图为输入，神经网络学习分子结构性质（以节点嵌入形式表示）与其物理化学性质（作为输出）之间的相关性。该方法已通过预测各种有机分子和药物在多种溶剂集中的 Log 溶解度值，用于计算分子溶解度。
引用
@article{arxiv.2402.11340,
title = {Graph Neural Networks for Predicting Solubility in Diverse Solvents using MolMerger incorporating Solute-solvent Interactions},
author = {Vansh Ramani and Tarak Karmakar},
journal= {arXiv preprint arXiv:2402.11340},
year = {2024}
}
备注
22 pages, 9 Figures