J. Cheminf. | 通过转移色谱保留时间、微观pKa和LogP知识增强LogD7.4预测

研究摘要

本文提出了RTLogD模型，通过使用色谱保留时间数据集进行预训练，并且将pKa特征纳入分子图的原子特征，并同时对LogD7.4和LogP进行多任务学习。该文章强调了使用保留时间数据集进行预训练的重要性和pKa特征的重要性

模型架构

使用其团队在另一篇文章中开发的的AttentiveFP模型，这是一种基于图注意力的模型，添加了一个拥有所有原子特征的超级节点来获取图级特征，在原子中添加pKa特征也就是本文模型与其他模型的不同之处。训练分为2步：

预训练

使用SMRT数据集，一个含有79,957个分子的色谱保留时间数据集(去除无法被RDKit处理的分子后)。使用SmoothL1Loss作为损失函数进行训练，并使用网格搜索进行超参数优化，最终结果与色谱保留时间预测模型GNN-RT相当.

LogD与LogP预测

在通过预训练获得初始权重后，更改模型最后一层的输出，使其从单目标值输出更改为多目标输出值，一个输出用于logP，一个输出用于LogD，除了学习率降为原来的,其余超参数与原模型相同。使用Scaffold分割训练集、验证集、测试集。通过SmoothL1Loss计算logP和logD的loss，如果有缺失值就忽略，在两者都有的情况下，计算折两个任务的平均损失。

主要结果

与baseline（作者自己实现）相比

与其他文章的模型相比

消融实验

分析保留时间数据集预训练的重要性

训练数据大小对T数据预测性能的影响。

通过4个示例分子分析pKa的重要性

注意力权重可视化，蓝色代表注意力权重小于0.5，红色达标大于0.5，误差值为logD7.4。

文章链接：https://doi.org/10.1186/s13321-023-00754-4

代码链接：https://github.com/WangYitian123/RTlogD