YZS模型：基于图卷积网络和Transformer注意力机制的有机药物溶解度预测模型

准确预测药物分子溶解度对于药物的疗效和安全性至关重要。传统方法常常忽略复杂的分子结构，导致预测不准。我们引入YZS模型，这是一个集成图卷积网络（GCN）、Transformer架构和长短期记忆网络（LSTM）的深度学习框架，以提高预测精度。GCN通过建模原子与键之间的关系，擅长捕捉复杂的分子拓扑结构。Transformer凭借自注意力机制，有效地识别分子中长程依赖，捕捉全局相互作用。LSTM处理序列数据，保留长期依赖，并整合分子序列中的时序信息。这种多方法的综合方法利用各组件的优势， resulting in a model that comprehensively understands and predicts molecular properties. 在训练9,943个化合物并以抗癌数据集为测试基准后，YZS模型实现了R²为0.59，RMSE为0.57，优于基准模型（R²为0.52，RMSE为0.61）。在独立测试中，它表现出RMSE为1.05，提高了45.9%的准确率。这些深度学习技术的集成使YZS模型能够从复杂数据中学习到有价值的特征，而无需预定义参数，能够高效处理大规模数据集，并适用于各种分子类型。这种全面的能力显著提高了预测精度和模型的可泛性。其在溶解度预测方面的精度可加速药物开发进程，通过优化候选物筛选，降低成本并提高效率。我们的研究凸显了深度学习在制药科学中的变革性潜力，尤其是在溶解度预测和药物设计方面。