GGAS2SN: сеть на основе управляемых графов и SmilesToSeq для прогнозирования растворимости
GGAS2SN: Gated Graph and SmilesToSeq Network for Solubility Prediction
2024-10-10
SCID: 54.1/nve6h4vm
Discuss with AI
кодирование Smiles2Seqпрогнозирование растворимости в водеоткрытие лекарствуправляемые графовые нейронные сетиграфовые нейронные сети с вниманием
Figures from the paper
Abstract (AI)
Водная растворимость является важным физико-химическим свойством в разработке лекарственных средств. Растворимость представляет собой ключевую проблему фармацевтической разработки, поскольку она может ограничивать способность лекарственного средства к всасыванию. Точное прогнозирование растворимости имеет решающее значение для фармакологических, экологических исследований и разработки лекарственных средств. В настоящей работе предложен новый метод прогнозирования растворимости, основанный на объединении управляемых графовых нейронных сетей (GGNNs) и графовых нейронных сетей с механизмом внимания (GATs) с кодированием Smiles2Seq. Наша методика включает преобразование химических соединений в графовые структуры, в которых узлы соответствуют атомам, а рёбра обозначают химические связи. Затем эти графы обрабатываются с использованием специализированной архитектуры графовой нейронной сети (GNN). Включение механизмов внимания в GNN позволяет выявлять тонкие структурные зависимости, повышая точность прогнозирования растворимости. Кроме того, мы использовали метод кодирования Smiles2Seq для устранения семантического разрыва между молекулярными структурами и их текстовыми представлениями. Smiles2Seq преобразует химические обозначения в числовые последовательности, обеспечивая эффективную передачу информации в модель. Эффективность предложенного подхода продемонстрирована в ходе комплексных экспериментов на эталонных наборах данных по растворимости, которые показали превосходство по прогнозным характеристикам по сравнению с традиционными методами. Наша модель превосходит существующие модели прогнозирования растворимости и предоставляет интерпретируемые сведения о молекулярных признаках, определяющих поведение растворимости. Данное исследование представляет собой важный шаг вперёд в прогнозировании растворимости, предлагая эффективные инструменты для разработки лекарственных средств, разработки лекарственных форм и экологической оценки. Объединение GGNNs и кодирования Smiles2Seq формирует надёжную основу для точного прогнозирования растворимости различных химических соединений, способствуя инновациям в различных областях, использующих данные о растворимости.
Key Findings
1
Эксперименты на эталонных наборах данных по растворимости показали превосходство метода над традиционными и существующими моделями прогнозирования растворимости.
2
GGAS2SN объединяет гейтированные графовые нейронные сети, графовые сети с механизмом внимания и кодирование Smiles2Seq для прогнозирования водной растворимости.
3
Smiles2Seq преобразует химические записи в числовые последовательности, обеспечивая интеграцию структурной и текстовой информации о молекулах в модели.
4
Метод представляет соединения в виде графов атомов и химических связей, а механизмы внимания помогают выявлять тонкие структурные зависимости, влияющие на растворимость.
5
Модель предоставляет интерпретируемые сведения о молекулярных признаках, связанных с растворимостью, и может применяться в разработке лекарств, создании лекарственных форм и экологических исследованиях.
Research Object
химические соединения, представленные молекулярными графами и последовательностями SMILES
Research Subject
водная растворимость и её прогнозирование по структурным признакам молекул
Publication Details
Publication Date
2024-10-10
Journal
Publisher
ISSN
Cited by
8
Access Type
Author Information
Download PDF
Subscribe to digest