Brief Bioinform｜李诗良/李洪林团队开发基于保留机制的小分子pKa值预测AI方法GR-pKa

李诗良/李洪林团队在Briefings in Bioinformatics期刊上发表了题为“GR-pKa: A message-passing neural network with retention mechanism for pKa prediction”的研究论文，介绍了一种用于化学小分子pKa值预测的深度学习模型GR-pKa。该模型结合多重保真度学习、量子化学特征和保留机制，实现了对化学小分子pKa值的快速准确预测。研究背景指出，pKa值对药物的ADMET特性和生物活性有显著影响，但传统实验方法复杂且费力。现有的预测方法在数据质量和处理复杂分子结构方面存在局限。GR-pKa模型通过消息传递神经网络和保留机制，显著提高了模型对分子信息的捕获和更新能力，在多个数据集上表现优于现有模型。研究方法包括预训练和微调过程，通过多重保真度学习策略和量子化学特征，实现了从计算pKa值向实验pKa值的迁移，提升了预测的精准度。研究结果显示，GR-pKa模型在多个数据集上的预测性能优于其他方法，特别是在SAMPL7数据集上取得了高水平的结果。