論文の概要: EnSol: an environment-aware graph neural network for molecular solubility prediction

• arxiv url: http://arxiv.org/abs/2609.21151v1
• Date: Thu, 17 Sep 2026 23:35:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.795288
• Title: EnSol: an environment-aware graph neural network for molecular solubility prediction
• Title（参考訳）: EnSol:分子溶解度予測のための環境対応グラフニューラルネットワーク
• Abstract要約: 本稿では,環境に配慮した分子溶解度予測フレームワークであるEnSolを紹介する。 独立したSolPropとLeedsのベンチマークデータセットでは、EnSolはそれぞれ0.876と0.601のSpearman相関を達成した。 これらの結果から,EnSolは種々の化学系における溶解度予測および溶媒選択を確実に行うことができることが示された。
• 参考スコア（独自算出の注目度）: 44.499249024505794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular solubility directly affects key aspects of molecular development such as reaction feasibility, formulation performance, separation efficiency, and solvent selection. However, experimental measurement across solutes, solvents, and temperatures remains costly and sparsely sampled. Existing computational models often rely on fixed-solvent assumptions, deterministic formulations, or simplified representations of solute-solvent interactions, limiting their ability to capture complex molecular interactions, continuous temperature effects, and experimental uncertainty. Here, we introduce EnSol, an environment-aware probabilistic framework for molecular solubility prediction. EnSol represents the solute and solvent as molecular graphs and learns separate representations for each before bringing them together through cross-attention to capture solute-solvent interactions. Temperature is incorporated directly into the solvent environment through feature-wise modulation, and a mixture density network predicts full solubility distributions to capture both temperature-dependent behavior and experimental uncertainty. On the independent SolProp and Leeds benchmark datasets, EnSol achieved Spearman correlations of 0.876 and 0.601, respectively, outperforming state-of-the-art solubility prediction models across both benchmarks. Beyond computational benchmarking, experimental validation across chemically diverse solute-solvent pairs showed that EnSol maintained strong predictive performance and supported reliable solvent ranking, achieving a Spearman correlation of 0.715. These results show that EnSol can support reliable solubility prediction and solvent selection across diverse chemical systems while accounting for predictive uncertainty.
• Abstract（参考訳）: 分子溶解度は、反応実現性、定式化性能、分離効率、溶媒選択などの分子発達の重要な側面に直接影響する。 しかし、溶質、溶媒、温度の実験的測定は高価で少量のサンプルが残っている。 既存の計算モデルは、しばしば固定溶媒の仮定、決定論的定式化、あるいは溶質-溶質相互作用の簡易表現に依存し、複雑な分子相互作用、連続温度効果、実験的不確かさを捉える能力を制限する。 本稿では,分子溶解度予測のための環境対応確率的フレームワークであるEnSolを紹介する。 EnSolは、溶質と溶媒を分子グラフとして表現し、それぞれに別々の表現を学習し、その後、溶質と溶媒の相互作用を捉えて相互に関連付ける。 温度は機能的変調によって溶媒環境に直接組み込まれ、混合密度ネットワークは完全な溶解度分布を予測し、温度依存性の挙動と実験的不確実性の両方を捉える。 独立したSolPropとLeedsのベンチマークデータセットでは、EnSolはそれぞれ0.876と0.601のSpearman相関を達成した。 計算ベンチマークの他に、化学的に多様な溶質溶媒対に対する実験的検証により、EnSolは強い予測性能を維持し、信頼性の高い溶媒ランキングをサポートし、スピアマン相関は0.715であった。 これらの結果から,EnSolは,予測の不確実性を考慮しつつ,様々な化学系における溶解度予測および溶媒選択を支援することができることがわかった。

関連論文リスト

• ConSolv: Solvent-Conditional Machine Learning Implicit Solvent Potential [0.5010100394227908]
  溶質相互作用に溶媒効果を明示的に組み込んだ溶媒条件アーキテクチャであるConSolvについて述べる。 実験的な溶媒自由エネルギーデータとab initioデータを組み合わせることで、66の有機溶媒間で伝達可能な単一の暗黙の溶媒を訓練する。 このモデルは、クロロホルム中の$$$-フルオロヒドリン分子の実験核磁気共鳴(NMR)データと密に一致している。
  論文  参考訳（メタデータ） (2026-06-23T13:59:13Z)
• Predicting solvation free energies with an implicit solvent machine learning potential [0.0]
  本稿では,小さな有機分子に対する暗黙の溶媒MLポテンシャルをパラメータ化するために,Solvation Free Energy Path Reweighting (ReSolv) フレームワークを導入する。 トップダウン(実験的な水和自由エネルギーデータ)とボトムアップ(真空中の分子の初期データ)の学習の組み合わせにより、ReSolvは明示的なバルク溶媒中の分子の難解なアブ初期データの必要性を回避した。 明示的な溶媒MLポテンシャルと比較して、ReSolvは4桁の計算スピードアップを提供し、実験と密接に一致している。
  論文  参考訳（メタデータ） (2024-05-31T20:28:08Z)
• Accurate melting point prediction through autonomous physics-informed learning [52.217497897835344]
  NPTアンサンブルにおける共存シミュレーションから自律的に学習することで融点を計算するアルゴリズムを提案する。 固液共存進化の物理モデルを統合することで、アルゴリズムの精度が向上し、最適な意思決定が可能になることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T07:53:09Z)
• SOLIS: Autonomous Solubility Screening using Deep Neural Networks [0.36700088931938835]
  サンプル準備は手作業で行うのが一般的である。 結晶化実験は多くの化学分野において、精製とポリモルフィックスクリーニング実験の両方で一般的である。 本研究では, 人間の化学者が試料を視覚的に評価し, 溶液中に固形物が完全に溶解したかどうかを判断する手法に着想を得た, 新規なカスケード深部モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-18T09:38:23Z)
• Message Passing Neural PDE Solvers [60.77761603258397]
  我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。 本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。 本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
  論文  参考訳（メタデータ） (2022-02-07T17:47:46Z)
• Graphical Gaussian Process Regression Model for Aqueous Solvation Free Energy Prediction of Organic Molecules in Redox Flow Battery [2.7919873713279033]
  本稿では,有機分子の溶解自由エネルギーを学習し,予測する機械学習モデルを提案する。 我々は,MLモデルを用いて,分子の解離自由エネルギーを1kcal/mol未満の平均絶対誤差で化学的精度で予測できることを実証した。
  論文  参考訳（メタデータ） (2021-06-15T13:48:26Z)
• Uhlmann Fidelity and Fidelity Susceptibility for Integrable Spin Chains at Finite Temperature: Exact Results [68.8204255655161]
  奇数パリティ部分空間の適切な包含は、中間温度範囲における最大忠実度感受性の向上につながることを示す。 正しい低温の挙動は、2つの最も低い多体エネルギー固有状態を含む近似によって捉えられる。
  論文  参考訳（メタデータ） (2021-05-11T14:08:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。