XGNN:一种用于预测水溶性的化学计量双塔模型

《Journal of Molecular Graphics and Modelling》:XGNN: A Chemometric Dual-Tower Model for Predicting Aqueous Solubility

【字体: 大 中 小 】 时间:2026年03月19日 来源:Journal of Molecular Graphics and Modelling 3

编辑推荐:

  定量预测化合物水溶性(logS)面临分子结构多样性和实验数据质量差异的挑战。本研究提出XGNN模型,融合XGBoost全局物化特征与D-MPNN分子图局部结构特征,通过整合五个公共数据集(20,030训练样本,1,282独立测试样本),实现R2=0.940,RMSE=0.501的预测性能,优于Random Forest、LightGBM等基准模型,并验证特征互补性和模型鲁棒性。

  
潘斌|李双才|侯晓宇|王晓荣
辽宁石油化工大学理学院,中国抚顺113001

摘要

水溶性(logS)的定量预测具有重要意义;然而,由于分子结构的多样性以及实验数据质量的变化,实现高精度建模仍然具有挑战性。为了提高水溶性的预测准确性,本研究提出了一种XG图神经网络模型(XGNN),该模型将工程化特征与分子图表示相结合。具体而言,XGNN将XGBoost与有向消息传递神经网络(D-MPNN)结合起来,能够同时捕获全局物理化学模式和局部结构信息。为了确保公平比较和可重复性,五个公共数据集被整合为训练集,并采用统一的数据清洗和评估协议。相比之下,Huuskonen数据集被用作独立的测试集。经过标准化、去重和一致性过滤后,获得了20,030个训练样本和1,282个测试样本。与XGBoost、D-MPNN以及近年来广泛使用的几个基线模型(例如Random Forest、LightGBM、GCN和AttentiveFP)相比,XGNN在独立测试集上取得了最佳性能,R2为0.940,RMSE为0.501,MAE为0.366,明显优于其他竞争方法。特征消融和适用性领域分析进一步证实了这两种表示方式的互补性,以及所提出模型的可靠性和鲁棒性。总体而言,XGNN为logS预测及相关化学计量属性建模提供了一种实用的方法。

引言

水溶性(logS)是表征化学物质在水中溶解能力的关键物理化学性质。它决定了化学物质在环境介质中的传输和分布,直接影响药物在体内的吸收、分布、代谢和排泄(ADME)过程[1]、[2]、[3]、[4]。logS决定了系统中可获得的自由溶解浓度及其上限。当溶解浓度超过内在溶解度时,化合物容易发生沉淀,这可能会影响实验测量的可靠性和可重复性[5]、[6]。因此,准确确定和预测化合物的水溶性具有重要意义。
早期的溶解度预测方法主要基于经验公式或线性回归模型,如ESOL和Delaney模型,这些模型使用少量的物理化学描述符来捕捉总体趋势[7]。尽管这些方法具有较好的可解释性,但它们不足以表示分子结构与溶解度之间的复杂非线性关系。随着机器学习的快速发展,研究人员开始使用更高维的分子描述符和指纹特征来构建非线性模型。代表性研究包括Huuskonen对多个描述符集的探索[8],Li等人对随机森林和支持向量回归的系统评估,以及Sorkun等人提出的基于XGBoost的AqSolPred模型[9],该模型在公共数据集上表现出稳定的预测性能。最近,Yang等人提出了Chemprop和有向消息传递神经网络(D-MPNN),可以直接从分子图中提取结构特征,实现端到端的分子表示学习[10]。Waqar Ahmad等人提出的SolPredictor模型进一步增强了局部拓扑和结构多样性的表示[11]。在此基础上,Chang等人和Muthiah等人进一步探索了图表示和指纹特征的融合,旨在打破单一表示的局限性。然而,研究发现,简单的特征连接往往引入信息冗余,当特征互补性不足时,性能提升有限。这表明特征融合应强调深度相关性,而不仅仅是物理叠加[12]、[13]。
尽管在预测准确性和特征表达方面取得了显著进展,但该领域仍面临三个严峻挑战。首先是有效整合表示维度的问题。现有研究大多局限于单一特征类型,难以同时考虑全局物理化学性质和局部结构特征。此外,上述初步的融合尝试尚未有效解决特征冗余和鲁棒性之间的矛盾,导致模型在极端溶解度范围内的性能不稳定。其次,不同研究在数据分割和预处理策略上存在显著差异。一些工作采用随机分割,甚至允许训练集和测试集之间存在重叠,这可能导致模型泛化能力的过高估计。最后,大多数研究缺乏对适用性领域(AD)和预测不确定性的系统分析,使得难以量化预测结果的可靠性[14]、[15]、[16]。这些限制共同阻碍了溶解度模型在化学性质评估中的实际应用。
在不改变数据分割策略的情况下,XGNN在建模层面提高了对分布变化和标签噪声的鲁棒性。通过结合XGBoost的全局物理化学稳定性和图神经网络的局部结构敏感性,XGNN在多样化的结构领域中表现出了一致的强大性能。遵循化学计量学的数据融合原则,XGNN整合了基于描述符的和基于图的表示方式,以在可解释性和泛化能力之间取得平衡。

数据预处理

水溶性通常以对数形式logS(mol/L)报告。溶解度可以分为内在溶解度(化合物中性形式的溶解度)和表观溶解度(在特定pH条件下的溶解度)。对于可电离化合物,表观溶解度非常重要,因为电离状态会随pH值显著变化,从而导致观察到的溶解度发生明显变化[17]、[18]、[19]、[20]。溶解度

XGNN

在这项工作中,我们开发了一个由两个互补建模分支组成的XGNN模型:一个基于工程化特征的XGBoost模型和一个基于分子图表示的Chemprop D-MPNN(有向消息传递神经网络)。XGBoost是一种基于梯度提升决策树的集成算法,能够从高维且可能稀疏的特征空间中学习全局物理化学模式,具有很强的鲁棒性和可解释性[5]。相比之下,D-MPNN

模型性能和结果

在传统基于分子描述符的模型的基础上,XGNN系统地结合了图神经网络表示,从三个角度提高了预测准确性和鲁棒性:数据整合、特征扩展和模型架构。首先,本研究引入了一个XGBoost模型和一个基于图的D-MPNN(有向消息传递神经网络),构建了一个将工程化特征与分子图表示相结合的XG图神经网络模型。

结论

本研究提出了一种XGNN模型,该模型将工程化特征与分子图表示相结合,用于预测小分子的水溶性(logS)。所提出的模型在独立的Huuskonen测试集上取得了最佳性能,R2 = 0.940,RMSE = 0.501,MAE = 0.366,显示出高准确性和稳定性。我们还基于结构相似性进行了适用性领域和预测不确定性的定量分析

CRediT作者贡献声明

潘斌:监督、形式分析。李双才:写作 – 审稿与编辑,写作 – 原始草稿,软件,项目管理,数据管理,概念化。侯晓宇:写作 – 审稿与编辑。王晓荣:资源支持

数据可用性

支持本研究发现的原始数据集来自文献中报告的公开来源。为了确保可重复性和符合FAIR原则,完整的原始数据文件、详细的数据管理协议以及固定的训练/测试分割分配已作为补充材料提供。虽然由于来自多个来源的数据使用限制,处理后的高维特征矩阵没有公开托管,但它们仍然可用

代码可用性

本研究中使用的建模和融合算法已完全记录在补充材料中,以确保透明度和可重复性。所有必要的超参数设置、模型配置、特征处理程序以及XGBoost和Chemprop D-MPNN分支的训练协议都包含在补充材料中。这些文档提供了足够的方法学细节,以便在相同的数据分割和训练条件下独立重现报告的结果

利益冲突声明

作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。

利益冲突声明

? 作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号