Graph-pKa ：基于多实例学习与图神经网络的 pKₐ 预测新方法
Graph-pKa 升级上线！基于 GNN 与多实例学习，实现高精度宏观预测与原子级微观 pKₐ 解析。
酸解离常数（pKₐ）是衡量化合物电离能力的关键参数，在药物研发及各类化学工业中具有至关重要的作用。然而，通过实验测定 pKₐ（尤其是精确到原子层面的微观 pKₐ）不仅过程繁琐且耗时极长。因此，开发快速且高精度的 pKₐ 预测工具已成为行业内的迫切需求。
Graph-pKa 的核心优势
SciMiner团队成员曾构建了一个包含 16,595 个化合物及 17,489 个 pKₐ 值的数据库。基于此数据，团队此前开发了名为 Graph-pKa 的基于多实例学习与图神经网络的pKa预测模型（Bioinformatics, Volume 38, Issue 3, February 2022, Pages 792–798），其亮点包括：
● 卓越的预测精度：在测试集上，宏观 pKₐ 预测的平均绝对误差（MAE）约 0.55，决定系数（R^2）达到 0.92。
● 微观解离分析：结合多实例学习（Multi-instance Learning），Graph-pKa 能够自动将预测的宏观 pKₐ 解构为离散的微观 pKₐ 值，实现原子级的精准洞察。
工具升级与在线体验
我们现已完成算法升级并引入了更多训练数据！升级版的 Graph-pKa 已正式上线 SciMiner 平台。在 SciMiner Graph-pKa 的预测结果中，我们不仅标注了酸性和碱性的关键 pKₐ 值，更重要的是，系统还会自动检索并展示数据库中结构相似的分子及其实验测定的 pKₐ 真实值，为您的研究提供直观的参照。
结果示例链接（免登录查看）：https://sciminer.tech/share?id=e0d03a72-e00f-4bd9-a79b-25b73c681cb0&type=API_TOOL
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
9
0- 0
已为社区贡献1条内容
所有评论(0)