DOI: https://doi.org/10.1039/d5dd00456j
تاريخ النشر: 2026-01-01
المؤلف: W.J. Wang وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
تناقش هذه الفقرة أهمية الذوبانية في صياغة الأدوية ومعالجتها، مع تسليط الضوء على قيود COSMO-RS بسبب تكلفته الحسابية. يقدم المؤلفون إطار عمل هجين متقدم لعلاقة الهيكل الكمي بالنشاط (QSAR) يدمج الذوبانيات المستمدة من COSMO-RS مع نماذج التعلم الآلي (ML)، بناءً على الجهود السابقة. تشير مقارنة منهجية بين COSMOtherm و openCOSMO إلى تحسينات هجينة متسقة عبر محركات COSMO المختلفة، مما يحسن من إمكانية التكرار.
تقوم الدراسة بتقييم ثلاثة خوارزميات شائعة للتعلم الآلي – تعزيز التدرج المتطرف، الغابة العشوائية، وآلة الدعم الناقل – باستخدام كل من التحقق المتقاطع 10-fold و leave-one-solute-out. كما تقيم أربعة مجموعات رئيسية من الموصفات (MOE، Mordred، موصّفات RDKit، وبصمات مورغان) لتقييم كيفية تفاعل الذوبانية المحسوبة بواسطة COSMO-RS مع مساحات الميزات الكيميائية المختلفة. تؤكد عملية خلط Y الإحصائية أن التحسينات الهجينة الملاحظة حقيقية، بينما تكشف تحليل الميزات القائم على SHAP عن أنماط تحت هيكلية مرتبطة بالذوبانية. بشكل عام، تظهر الأبحاث أن دمج الميزات المستندة إلى الفيزياء مع خوارزميات التعلم الآلي القابلة للتفسير يمكن أن يسهل التنبؤات القابلة للتوسع والعامة للذوبانية، مما يعزز تصميم الأدوية المدفوع بالبيانات.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الدور الحاسم للذوبانية في صياغة الأدوية وفحص المركبات، مع تسليط الضوء على تأثيرها على توافق المذاب والمذيب، والاستقرار، والتوافر البيولوجي. يناقش المؤلفون قيود نماذج الذوبانية التقليدية، وخاصة نموذج الفحص الشبيه بالموصل للسوائل الحقيقية (COSMO-RS)، الذي، على الرغم من دقته، يعوقه الطلبات الحسابية التي تحد من تطبيقه في البيئات ذات الإنتاج العالي. لمعالجة هذه التحديات، تقترح الورقة إطار عمل للتعلم الآلي (ML) يدمج الموصفات المستمدة من COSMO-RS مع خوارزميات غير خطية متنوعة، بما في ذلك تعزيز التدرج المتطرف (XGBoost)، الغابة العشوائية (RF)، وآلة الدعم الناقل (SVM)، لتعزيز دقة التنبؤ مع الحفاظ على القابلية للتفسير.
تركز الدراسة على تطوير نموذج علاقة الهيكل الكمي بالنشاط (QSAR) للتنبؤ بذوبانية المركبات الشبيهة بالأدوية في المذيبات العضوية، باستخدام مجموعة بيانات متنوعة من 714 قياسًا للذوبانية عبر 75 مذابًا عضويًا و49 مذيبًا. يقارن المؤلفون بشكل منهجي بين أنواع متعددة من الموصفات ويبرزون فوائد النماذج الهجينة التي تجمع بين المعرفة المستندة إلى الفيزياء والنهج المدفوع بالبيانات. تهدف الورقة إلى تقديم إطار عمل قوي لتنبؤ الذوبانية الذي لا يحقق فقط دقة عالية ولكن أيضًا يوضح العلاقات الكيميائية الأساسية، مما يدعم التصميم العقلاني وتحسين المركبات الصيدلانية. التفاصيل في الأقسام اللاحقة تتناول مجموعة البيانات، والأساليب، والنتائج، مما يساهم في التقدم في تصميم الأدوية المدفوع بالبيانات.
النتائج
تقدم فقرة النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية وآثارها. يكشف التحليل عن ارتباطات كبيرة بين المتغيرات قيد التحقيق، مما يظهر أن النموذج المقترح يتنبأ بفعالية بالظواهر الملاحظة. تشير الاختبارات الإحصائية إلى مستوى عالٍ من الثقة في النتائج، مع قيم p أقل من العتبة التقليدية 0.05، مما يشير إلى أن النتائج ليست بسبب الصدفة العشوائية.
علاوة على ذلك، تتناول المناقشة آثار هذه النتائج، موضعة إياها ضمن السياق الأوسع للأدبيات الموجودة. يؤكد المؤلفون على أهمية نتائجهم للبحوث المستقبلية والتطبيقات العملية، مشيرين إلى أن النموذج يمكن أن يُستخدم لتعزيز الفهم في المجالات ذات الصلة. بشكل عام، تؤكد النتائج على أهمية مساهمات الدراسة في تعزيز المعرفة في مجال الاهتمام.
المناقشة
في هذا القسم، يناقش المؤلفون المنهجية والنتائج المتعلقة بأبحاثهم حول التنبؤ بالذوبانية باستخدام نماذج التعلم الآلي الهجينة. بناءً على عمل فاسيليو وآخرين، استخدموا مجموعة بيانات للذوبانية لتقييم مجموعات ميزات وخوارزميات مختلفة، محققين معاملات تحديد ($R^2$) تبلغ 0.56 و0.78، ومتوسط أخطاء مطلقة (MAE) تبلغ 0.36 و0.59 تحت التحقق المتقاطع Leave One Solute Out (LOSO) و10-fold، على التوالي. تتكون مجموعة البيانات من 714 زوجًا من المذاب والمذيب، مما يبرز أهمية خصائص المذيب، وخاصة الليبوفيلية كما تقاس بمعامل تقسيم الأوكتانول/الماء ($\log P_{octanol/water}$)، في فهم ظواهر الذوبانية. قام المؤلفون بحساب مجموعات متعددة من الموصفات الجزيئية لالتقاط الميزات الكيميائية للمذاب والمذيب، مع ضمان تصفية صارمة للاحتفاظ فقط بالميزات المفيدة.
كما دمجت الدراسة تقديرات الذوبانية المستندة إلى الفيزياء من طريقة COSMO-RS كموصّفات إدخال إضافية، مما سمح للنماذج بالتعلم بما يتجاوز الأساس المستند إلى الفيزياء. قام المؤلفون بتقييم ثلاث خوارزميات انحدار مشرف – تعزيز التدرج المتطرف (XGBoost)، الغابة العشوائية (RF)، وآلة الدعم الناقل (SVM) – ووجدوا أن تحسين المعلمات الفائقة حسّن بشكل كبير من أداء النموذج، خاصة بالنسبة لـ XGBoost وSVM. ومن الجدير بالذكر أن SVM أظهر أداءً متفوقًا خارج التوزيع تحت تحقق LOSO، ويعزى ذلك إلى قدراته على التنظيم. تؤكد النتائج على إمكانية دمج التعلم الآلي مع الأساليب المستندة إلى الفيزياء لتعزيز التنبؤات بالذوبانية، بينما تؤكد أيضًا على الحاجة إلى اعتبار دقيق لاختيار الموصفات واستراتيجيات التحقق من النموذج لتجنب الإفراط في التكيف وضمان تعميم قوي.
DOI: https://doi.org/10.1039/d5dd00456j
Publication Date: 2026-01-01
Author(s): W.J. Wang et al.
Primary Topic: Machine Learning in Materials Science
Overview
The section discusses the significance of solubility in pharmaceutical formulation and processing, highlighting the limitations of COSMO-RS due to its computational cost. The authors introduce an advanced hybrid Quantitative Structure-Activity Relationship (QSAR) framework that integrates COSMO-RS-derived solubilities with Machine Learning (ML) models, building on previous efforts. A systematic comparison between COSMOtherm and openCOSMO indicates consistent hybrid enhancements across different COSMO engines, improving reproducibility.
The study benchmarks three popular ML algorithms—eXtreme Gradient Boosting, Random Forest, and Support Vector Machine—using both 10-fold and leave-one-solute-out cross-validation. It also evaluates four major descriptor sets (MOE, Mordred, RDKit descriptors, and Morgan Fingerprints) to assess how COSMO-RS calculated solubility interacts with various chemical feature spaces. Statistical Y-scrambling confirms that the observed hybrid improvements are genuine, while SHAP-based feature analysis uncovers substructural patterns associated with solubility. Overall, the research demonstrates that the integration of physics-informed features with interpretable ML algorithms can facilitate scalable and generalizable solubility predictions, thereby enhancing data-driven pharmaceutical design.
Introduction
The introduction of this research paper emphasizes the critical role of solubility in pharmaceutical formulation and compound screening, highlighting its impact on solute-solvent compatibility, stability, and bioavailability. The authors discuss the limitations of traditional solubility models, particularly the COnductor-like Screening Model for Real Solvents (COSMO-RS), which, despite its accuracy, is hindered by computational demands that restrict its application in high-throughput settings. To address these challenges, the paper proposes a machine learning (ML) framework that integrates COSMO-RS-derived descriptors with various non-linear algorithms, including eXtreme Gradient Boosting (XGBoost), Random Forest (RF), and Support Vector Machine (SVM), to enhance predictive accuracy while maintaining interpretability.
The study focuses on developing a Quantitative-Structure-Activity Relationship (QSAR) model for predicting the solubility of drug-like compounds in organic solvents, utilizing a diverse dataset of 714 solubility measurements across 75 organic solutes and 49 solvents. The authors systematically compare multiple descriptor types and highlight the benefits of hybrid models that combine physics-based knowledge with data-driven approaches. The paper aims to provide a robust framework for solubility prediction that not only achieves high accuracy but also elucidates the underlying chemical relationships, thereby supporting the rational design and optimization of pharmaceutical compounds. The subsequent sections detail the dataset, methodologies, and findings, ultimately contributing to advancements in data-driven pharmaceutical design.
Results
The results section presents the findings of the study, highlighting key outcomes and their implications. The analysis reveals significant correlations between the variables under investigation, demonstrating that the proposed model effectively predicts the observed phenomena. Statistical tests indicate a high level of confidence in the results, with p-values below the conventional threshold of 0.05, suggesting that the findings are not due to random chance.
Furthermore, the discussion elaborates on the implications of these results, situating them within the broader context of existing literature. The authors emphasize the relevance of their findings for future research and practical applications, suggesting that the model could be utilized to enhance understanding in related fields. Overall, the results underscore the importance of the study’s contributions to advancing knowledge in the area of interest.
Discussion
In this section, the authors discuss the methodology and findings of their research on predicting solubility using hybrid machine learning models. Building on the work of Vassileiou et al., they utilized a solubility dataset to benchmark various feature sets and algorithms, achieving coefficients of determination ($R^2$) of 0.56 and 0.78, and Mean Absolute Errors (MAE) of 0.36 and 0.59 under Leave One Solute Out (LOSO) and 10-fold Cross Validation (CV), respectively. The dataset comprises 714 solute-solvent pairs, highlighting the importance of solvent characteristics, particularly lipophilicity as measured by the octanol/water partition coefficient ($\log P_{octanol/water}$), in understanding solubility phenomena. The authors computed multiple sets of molecular descriptors to capture the chemical features of solutes and solvents, ensuring rigorous filtering to retain only informative features.
The study also integrated physics-based solubility estimates from the COSMO-RS method as additional input descriptors, which allowed the models to learn beyond the physics-based baseline. The authors benchmarked three supervised regression algorithms—eXtreme Gradient Boosting (XGBoost), Random Forest (RF), and Support Vector Machine (SVM)—and found that hyperparameter optimization significantly improved model performance, particularly for XGBoost and SVM. Notably, SVM demonstrated superior out-of-distribution performance under LOSO validation, attributed to its regularization capabilities. The findings underscore the potential of combining machine learning with physics-based methods to enhance solubility predictions, while also emphasizing the need for careful consideration of descriptor selection and model validation strategies to avoid overfitting and ensure robust generalization.