利用具有不同分子表示的深度学习模型预测有机分子的水溶性
材料科学
2022-09-05 v2 机器学习
摘要
测定分子的水溶性是许多制药、环境和储能应用中的关键步骤。尽管经过数十年的努力,开发对这些应用具有满意精度的溶解度预测模型仍面临挑战。本研究的目的是开发一种能够预测广泛有机分子溶解度的通用模型。利用当前可用的最大溶解度数据集,我们实现了基于深度学习的模型,从分子结构预测溶解度,并探索了多种不同的分子表示,包括分子描述符、简化分子输入行输入系统(SMILES)字符串、分子图以及使用四种不同神经网络架构的三维(3D)原子坐标——全连接神经网络(FCNNs)、循环神经网络(RNNs)、图神经网络(GNNs)和 SchNet。我们发现使用分子描述符的模型取得最佳性能,GNN 模型也表现良好。我们进行了广泛的误差分析以理解影响模型性能的的分子性质,进行了特征分析以理解关于分子结构的哪些信息对预测最有价值,并进行了迁移学习和数据规模研究以理解数据可用性对模型性能的影响。
引用
@article{arxiv.2105.12638,
title = {Predicting Aqueous Solubility of Organic Molecules Using Deep Learning Models with Varied Molecular Representations},
author = {Gihan Panapitiya and Michael Girard and Aaron Hollas and Vijay Murugesan and Wei Wang and Emily Saldanha},
journal= {arXiv preprint arXiv:2105.12638},
year = {2022}
}