摘要

本文介绍了一种基于图卷积网络（GCN）和Transformer注意力机制的新型深度学习框架YZS-Model，用于预测有机药物的溶解度。该模型通过结合注意力机制的Transformer、长短期记忆网络（LSTM）和GCN，旨在提高溶解度预测的精确度。研究使用了包含9,943个化合物的训练集，并在抗肿瘤化合物数据集上进行了测试，实现了0.55的关联系数（R2）和0.59的均方根误差（RMSE），优于基准模型。此外，在独立测试中，该模型相对于基准模型提高了45.9%的相对准确性，显示出深度学习在提高溶解度预测准确性方面的巨大潜力，并为未来的药物设计和筛选提供了新的见解。

原理

YZS-Model通过集成图卷积网络（GCN）、Transformer架构和长短期记忆网络（LSTM）来预测有机药物的溶解度。GCN用于捕捉分子的整体图结构，Transformer通过其自注意力机制有效地识别分子内的长距离依赖关系，而LSTM则处理和整合分子序列信息。这种多技术方法不仅增强了模型对分子属性的理解，还提高了预测的准确性和泛化能力。

流程

YZS-Model的工作流程首先使用GCN处理分子的图形表示，以揭示其空间结构。随后，Transformer架构增强从GCN层输出的特征，利用自注意力机制捕捉分子内原子的全局依赖关系。最后，LSTM层进一步细化Transformer的输出，捕捉分子结构序列中的时间依赖性。整个模型的设计旨在将分子的空间和时间特性转化为溶解度属性，从而确保预测的高精度和可靠性。

应用

YZS-Model在药物设计和开发中具有广泛的应用前景。精确的溶解度预测可以帮助研究人员在高通量筛选中更有效地识别和优化潜在的药物候选物，从而加速药物开发流程并降低成本。此外，该模型的准确性和泛化能力为理解分子结构与其物理化学性质之间的复杂关系提供了新的视角。