在药学科学、化学工程和材料科学领域，精确预测单一溶剂系统和混合溶剂系统中的溶解度是一个关键的研究方向。溶解度是一个基本性质，直接影响着药物配方、结晶、分离和纯化等多个过程。从药学的角度来看，溶解度对于确定活性药物成分的生物利用度和治疗效果至关重要[[1], [2], [3]]。由于实验测定溶解度通常耗时且资源密集，因此开发准确可靠的计算模型来进行溶解度预测具有重要意义。这类模型能够高效地理解溶质-溶剂相互作用，并在最小依赖实验数据的情况下优化溶剂系统[[4]]。
准确预测溶解度这一基本热力学性质一直是广泛研究的主题，这促进了多种计算和理论方法的发展。早期的研究集中在经验性和半经验性方法上，虽然预测能力有限，但仍具有一定的实用性[[5], [6], [7], [8], [9], [10], [11], [12], [13], [14]]。高级方法如扰链统计缔合流体理论（PC-SAFT）通过纳入分子大小、形状和缔合效应，进一步提高了预测准确性，使得在复杂溶剂系统中能够以最少的实验输入实现溶解度的相关性和预测[[15]]。
当前的研究越来越多地利用数据驱动和统计上复杂的技术。定量结构-活性/性质关系（QSAR/QSPR）[[16], [17], [18]]以及机器学习（ML）算法[[14,19]]（包括支持向量机、随机森林和人工神经网络）通过建立分子结构（通过多种描述符编码）与观察到的溶解度之间的稳健相关性来构建预测模型。数据可用性的最新进展，特别是大规模数据集，推动了能够分析复杂化学数据并预测结果的复杂模型的发展。例如，深度学习方法（如神经网络）在准确评估化合物溶解度方面表现出色，Cui等人的深度学习模型就成功预测了新型化合物的水溶性[[21]]。Transformer架构和双向LSTM也被用于分析SMILES字符串以预测溶解度，其性能优于传统方法[[22,23]]。此外，对图神经网络、随机森林以及LightGBM和XGBoost等集成方法的比较分析突显了这些技术在解决各种应用中的溶解度挑战时的多功能性，进一步强调了它们在工业和研究领域的重要性[[24], [25], [26], [27], [28]]。
Jouyban-Acree模型[[29]]提供了一个强大的框架，特别适合分析和预测混合溶剂系统中的溶解度。该模型巧妙地结合了纯组分溶剂中的溶解度与相互作用项，从而能够准确表示并通常可靠地预测溶解度，同时考虑了溶剂组成和温度的影响。当有纯溶剂中的实验溶解度数据时，Jouyban-Acree模型的实用性尤为明显，它有助于插值，并通过适当的验证进行外推，以预测复杂多组分溶剂混合物中的行为。这些数据驱动且数学上严谨的方法在应对复杂化学系统带来的挑战以及日益增长的实验数据量方面变得越来越不可或缺。
去铁酮（3-羟基-1,2-二甲基吡啶-4(1H)-酮）是一种重要的药物化合物，作为一种双齿口服铁螯合剂（图1）。它主要用于治疗铁过载疾病，如重型地中海贫血患者和其他依赖输血的贫血症[[30]]。去铁酮与铁离子结合形成稳定的3:1复合物，有助于将多余的铁排出体外[[31]]。与其他药物化合物一样，去铁酮的溶解度直接影响其生物利用度、稳定性和制剂形式。此外，去铁酮在二元溶剂系统中的溶解度尤为重要，因为这些系统常用于药物制剂中以提高溶解度并确保药物稳定性[[32]]。
多项先前的研究记录了去铁酮在以下单一溶剂中的溶解度和热力学性质：1,4-二氧环烷、2-丙醇、乙腈、氯仿、二氯甲烷、乙醇、乙酸乙酯、乙二醇、甲醇、N-甲基吡咯烷酮（NMP）、聚乙二醇400（PEG 400）、1-丙醇、丙二醇和水，以及混合溶剂（乙醇+乙腈、乙酸乙酯）、乙二醇+（乙醇、NMP、PEG 400、丙二醇）、NMP+乙醇、PEG 400+（1-丙醇、2-丙醇）、2-丙醇+水、丙二醇+（乙醇、1-丙醇、2-丙醇）和水+（乙醇、乙二醇、NMP、PEG 400、丙二醇）[[33], [34], [35], [36], [37], [38], [39], [40], [41], [42], [43], [44], [45]]。
开发新的计算模型来预测化合物在单一溶剂系统和混合溶剂系统中的溶解度，为利用实验溶解度数据构建考虑关键物理化学参数的预测框架提供了机会。在本研究中，我们利用了大量先前报道的去铁酮溶解度数据，并结合了多种溶剂色度参数和跨框架建模方法，提出了一些计算方法，用于关联去铁酮在不同温度下的溶解度。
