Predicting small molecules solubilities on endpoint devices using deep ensemble neural networks

要約

水溶解度は貴重ですが、予測するのが難しい特性です。
第一原理法を使用して溶解度を計算するには、エントロピーとエンタルピーの競合する効果を考慮する必要があるため、計算時間が長くなり、精度が比較的低くなります。
深層学習などのデータ駆動型のアプローチは、精度と計算効率の向上をもたらしますが、通常、不確実性の定量化が欠けています。
さらに、どのような計算手法においても使いやすさが依然として懸念されており、その結果、グループベースの貢献手法が人気を維持しています。
この研究では、静的 Web サイト (サーバーなし) で実行される予測不確実性を備えた深層学習モデルを使用して、これらの問題に対処しました。
このアプローチにより、インストールを必要とせずにコンピューティングのニーズが Web サイト訪問者に移され、サーバーの料金を支払ったり維持したりする必要がなくなります。
私たちのモデルは溶解度予測において満足のいく結果を達成しました。
さらに、不確実性と使いやすさのバランスをとった分子特性予測モデルを作成する方法を示します。
コードは https://github.com/ur-whitelab/mol.dev で入手でき、モデルは https://mol.dev で使用できます。

要約(オリジナル)

Aqueous solubility is a valuable yet challenging property to predict. Computing solubility using first-principles methods requires accounting for the competing effects of entropy and enthalpy, resulting in long computations for relatively poor accuracy. Data-driven approaches, such as deep learning, offer improved accuracy and computational efficiency but typically lack uncertainty quantification. Additionally, ease of use remains a concern for any computational technique, resulting in the sustained popularity of group-based contribution methods. In this work, we addressed these problems with a deep learning model with predictive uncertainty that runs on a static website (without a server). This approach moves computing needs onto the website visitor without requiring installation, removing the need to pay for and maintain servers. Our model achieves satisfactory results in solubility prediction. Furthermore, we demonstrate how to create molecular property prediction models that balance uncertainty and ease of use. The code is available at https://github.com/ur-whitelab/mol.dev, and the model is usable at https://mol.dev.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google