基于高精度溶解度预测模型的类药化合物辅助设计研究

为解决药物设计中溶解度预测效率低下的难题，研究人员开发了两种基于Zenodo数据集特征集的机器学习(ML)模型。通过多层感知器(MLP)结合贝叶斯优化与蒙特卡洛方法，采用RMSprop优化器、Dropout防过拟合及自注意力(Self-Attention)机制，模型对三类化合物的预测相关系数均>0.99，平均绝对误差分别<0.200 mol/L和<0.050 mol/L，可在94.7 ms/57.7 ms内完成千级化合物预测，为类药化合物理性设计提供高效工具。

　　

机器学习(ML)技术正加速渗透至药物辅助设计领域。为提升药物溶解度预测效率，研究者基于Zenodo数据集构建了两套差异化特征集，开发了以多层感知器(MLP)为核心架构的预测模型。通过融合贝叶斯优化与蒙特卡洛方法提升精度，训练过程中采用RMSprop优化器加速收敛，引入Dropout技术防止过拟合，并创新性整合自注意力(Self-Attention)机制强化关键特征提取。针对三类测试化合物，模型预测值与实际溶解度的相关系数均突破0.99，平均绝对误差分别控制在0.200 mol/L和0.050 mol/L以下。更令人瞩目的是，优化后的模型仅需94.7毫秒和57.7毫秒即可完成数千种化合物的批量预测。这项技术突破为类药化合物的高通量筛选与理性化设计提供了全新解决方案。