通过热力学循环、机器学习和溶剂集合准确预测溶解度曲线

《Journal of the American Chemical Society》：Accurately Predicting Solubility Curves via a Thermodynamic Cycle, Machine Learning, and Solvent Ensembles

预测中性有机分子溶解度的通用方法通过热力学熔融循环整合机器学习预测的活度系数、熔融焓和熔点温度，在超过10万组实验数据验证中表现优异，并引入参考集成技术提升模型鲁棒性。

　　

确定有机分子的溶解度在制药、农用化学和环境科学等多个领域至关重要。了解溶质在不同溶剂和不同温度下的溶解情况对于药物配方、合成、纯化和结晶过程至关重要。目前难以预测的溶解度极限阻碍了新工艺的设计，使得创新成本增加。我们提出了一种快速且通用的方法，用于预测中性有机分子在多种溶剂和温度下的溶解度。该方法结合了机器学习对活度系数、融合焓和熔点温度的预测结果。该方法在包含超过10万个实验溶解度值的数据集上进行了测试，即使在较高温度下，其性能也优于或可与现有方法相媲美。此外，我们还引入了参考集成技术，利用所有可用的实验溶解度数据来估算某种溶质在另一种溶剂中的溶解度。研究表明，参考集成技术还能提高直接基于溶解度数据训练的模型的稳健性。