精选理由
这篇论文把化学描述和分子结构分开建模再相加，既准确又能解释预测依据。在AqSolDB和BigSolDB2上效果很好，适合医药研发。
该工作提出一个加性深度学习框架，用多层感知机（MLP）编码物理化学描述符作为化学分支，用图神经网络（GNN）编码分子图拓扑作为结构分支，两个分支的输出在预测阶段加性组合。在AqSolDB数据集上预训练、在BigSolDB2数据集上微调后，预测精度显著提升且运行变异降低。可解释性分析通过最佳线性投影、分子嵌入和GNNExplainer显示化学分支对齐已知物化描述符，结构分支捕捉图拓扑和官能团模式。在两个数据集上，该框架取得有竞争力的预测性能，同时使化学与结构信息的各自作用更透明。
AI 翻译 · 中文
该工作提出一个加性深度学习框架，用多层感知机（MLP）编码物理化学描述符作为化学分支，用图神经网络（GNN）编码分子图拓扑作为结构分支，两个分支的输出在预测阶段加性组合。在AqSolDB数据集上预训练、在BigSolDB2数据集上微调后，预测精度显著提升且运行变异降低。可解释性分析通过最佳线性投影、分子嵌入和GNNExplainer显示化学分支对齐已知物化描述符，结构分支捕捉图拓扑和官能团模式。在两个数据集上，该框架取得有竞争力的预测性能，同时使化学与结构信息的各自作用更透明。
Aqueous solubility is a key property in early-stage drug discovery, but most predictive models merge physicochemical descriptors and molecular graph information into a single representation, obscuring whether a predictio…