利用自动化网络优化器（ANO）对类药有机化合物的物理化学特性和超参数进行优化，以预测其内在溶解度

《Journal of Cheminformatics》：Prediction of intrinsic solubility for drug-like organic compounds using automated network optimizer (ANO) for physicochemical feature and hyperparameter optimization

　　```html

摘要

准确预测水溶性在化学和制药行业中仍然是一个关键挑战，这对药物的研发和递送具有重大影响。本研究利用现代计算资源的先进能力重新探讨了这个已经被广泛研究的领域。我们应用了一个自动化网络优化模型，该模型整合了分子特征和超参数的双重优化过程，简化了传统上复杂的超参数搜索，同时提供了对分子性质的有效解释。通过采用特征优化技术，我们的深度神经网络模型在分子性质预测的速度和准确度方面都取得了改进，平均性能达到了R2 = 0.991。这一结果在预测3,745种化合物的固有溶解度时，优于传统的超参数优化方法（如网格搜索和随机搜索），这些化合物来自四个外部实验数据集。基于特征重要性分析，我们确定了对溶解度有显著影响的关键分子特征和结构。此外，将三种分子指纹（Morgan、MACCS key和Avalon）与分子描述符相结合，提升了模型性能，从而更深入地理解了分子结构与溶解度之间的关系。这些发现突显了机器学习模型在改进物理性质预测建模方面的潜力，能够将自动化建模和特征选择应用于新的化学数据集，并提供了对驱动溶解度预测原理的可解释性见解。

科学贡献

本文重点介绍了通过应用基于定量结构-性质关系（QSPR）的深度神经网络（DNN）模型在分子性质预测方面的最新进展。该模型采用了一种双重优化方法，整合了分子特征选择和超参数调整。文章回顾了公开可用的药物大小分子数据集，强调了自动化建模和特征选择在提高物理性质预测准确性方面的作用。此外，还探讨了这些机器学习模型在特征优化方面的有效性，这对于实际应用来说是一个重要考虑因素。