Оценка архитектур глубокого обучения для прогнозирования растворимости в воде

Evaluation of Deep Learning Architectures for Aqueous Solubility Prediction
Wei Wang, Vijayakumar Murugesan, Aaron Hollas, Gihan Panapitiya, Michael Girard, Jonathan Sepulveda, Emily Saldanha
2022-04-25

SchNetпредсказание водной растворимостиглубокое обучениеграфовые нейронные сетимолекулярные дескрипторы
Определение растворимости молекул в воде является важным этапом во многих фармацевтических, экологических приложениях и задачах хранения энергии. Несмотря на многолетние усилия, разработка моделей прогнозирования растворимости с удовлетворительной точностью по-прежнему сопряжена с трудностями во многих из этих приложений. Целями настоящего исследования являются оценка современных методов глубокого обучения для прогнозирования растворимости, разработка обобщённой модели, способной предсказывать растворимость широкого спектра органических молекул, а также изучение влияния свойств данных, способа представления молекул и архитектуры модели на качество прогнозирования. Используя наиболее крупный из доступных в настоящее время наборов данных о растворимости, мы реализуем модели на основе глубокого обучения для прогнозирования растворимости по молекулярной структуре и исследуем несколько различных способов представления молекул, включая молекулярные дескрипторы, строки системы упрощённой записи молекул (SMILES), молекулярные графы и трёхмерные координаты атомов, применяя четыре различные архитектуры нейронных сетей: полносвязные нейронные сети, рекуррентные нейронные сети, графовые нейронные сети (GNN) и SchNet. Мы обнаружили, что модели, использующие молекулярные дескрипторы, демонстрируют наилучшие результаты, тогда как модели GNN также обеспечивают высокое качество. Мы проводим обширный анализ ошибок для выявления молекулярных свойств, влияющих на эффективность моделей, анализ признаков для определения того, какая информация о молекулярной структуре наиболее ценна для прогнозирования, а также исследования переноса обучения и размера данных для оценки влияния доступности данных на эффективность моделей.
1
Расширенный анализ ошибок и признаков выявляет молекулярные свойства и структурную информацию, влияющие на эффективность прогнозирования растворимости.
2
Модели на основе молекулярных дескрипторов показывают наилучшую предсказательную эффективность, тогда как графовые нейронные сети также обеспечивают хорошие результаты.
3
Сравнение охватывает дескрипторы, строки SMILES, молекулярные графы и трёхмерные координаты атомов с использованием полносвязных, рекуррентных, графовых архитектур и SchNet.
4
Исследование оценивает методы глубокого обучения для прогнозирования водной растворимости широкого спектра органических молекул на крупнейшем доступном наборе данных о растворимости.
5
Анализ переноса обучения и размера данных оценивает влияние доступности данных на эффективность моделей и их обобщающую способность.

Водная растворимость органических молекул

Точность прогнозирования с помощью глубокого обучения и влияние молекулярных представлений, архитектур нейронных сетей, свойств молекул и доступности данных

Publication Details
Publication Date
2022-04-25
Journal
Publisher
ISSN
Cited by
96
Access Type
Author Information
Authors
Wei Wang
Vijayakumar Murugesan
Aaron Hollas
Gihan Panapitiya
Michael Girard
Jonathan Sepulveda
Emily Saldanha
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%