返回成果与获奖
依据论文图 B 重绘。两条分支的特征拼接后进入预测网络，酸性与碱性任务分别建模；预训练—微调策略应用于整体模型。图中分子、节点数量及向量长度仅作架构示意。
OUTPUT · JOURNAL ARTICLE
In silico prediction of pKa values using explainable deep learning methods
内容简介
酸解离常数的负对数（pKa）显著影响分子的吸收、分布、代谢、排泄与毒性（ADMET）性质， 是药物研究中的关键指标。鉴于计算方法快速而准确的特点，其在药物性质预测中的作用日益重要。 尽管目前已存在许多 pKa 预测模型，但它们往往聚焦于提升预测精度而忽视了可解释性。 在本研究中，我们提出了 GraFpKa——一个使用图神经网络（GNN）与分子指纹的 pKa 预测模型。 结果表明，酸性与碱性模型在测试集上的平均绝对误差（MAE）分别为 0.621 和 0.402，展现出良好的预测性能。 值得注意的是，为提升可解释性，GraFpKa 还引入了积分梯度（IG）方法， 对显著影响 pKa 值的原子提供了更清晰的可视化描述。 GraFpKa 的高可靠性与可解释性在保证 pKa 预测准确性的同时， 也促进了对分子结构与 pKa 值之间关系的深入理解，使其成为 pKa 预测领域的有力工具。
方法架构
GraFpKa · 模型架构
作者
Yang C, Gong C, Zhang Z, Fang J, Li W, Liu G, Tang Y.