神经网络的深度与宽度对药物分子pKa预测性能影响的研究

摘要

pKa(解离常数)关系到药物分子在生物体内的吸收、代谢等过程。近年来,基于机器学习模型预测药物分子性质在药物筛选中获得广泛应用,神经网络可通过在深度与宽度两个方向上的扩展来增强模型的学习能力。以神经网络在药物分子pKa预测中的应用为例,比较了神经网络的深度与宽度对预测结果的影响。通过分析预测结果的均方差以及预测值与真实值之间的相关系数,系统地评估了模型的深度与宽度对预测性能的影响。基于定量的比较结果,提出了组合的神经网络模型计算方案。计算结果表明:深度神经网络模型在使用组合MACCS和ECFP指纹时,预测准确性超过了单一的宽度或深度神经网络。