Advancing Aqueous Solubility Prediction: A Machine Learning Approach for Organic Compounds Using a Curated Data Set
Ali, Mushtaq 1; Vanderheiden, Sylvia 1; Grathwol, Christoph W. 1; Krämer, Konrad 1; Friederich, Pascal
2,3; Jung, Nicole
1,4,5; Bräse, Stefan
1,5
1 Institut für Biologische und Chemische Systeme (IBCS), Karlsruher Institut für Technologie (KIT)
2 Institut für Theoretische Informatik (ITI), Karlsruher Institut für Technologie (KIT)
3 Institut für Nanotechnologie (INT), Karlsruher Institut für Technologie (KIT)
4 Karlsruhe Nano Micro Facility (KNMF), Karlsruher Institut für Technologie (KIT)
5 Institut für Organische Chemie (IOC), Karlsruher Institut für Technologie (KIT)
2,3; Jung, Nicole
1,4,5; Bräse, Stefan
1,51 Institut für Biologische und Chemische Systeme (IBCS), Karlsruher Institut für Technologie (KIT)
2 Institut für Theoretische Informatik (ITI), Karlsruher Institut für Technologie (KIT)
3 Institut für Nanotechnologie (INT), Karlsruher Institut für Technologie (KIT)
4 Karlsruhe Nano Micro Facility (KNMF), Karlsruher Institut für Technologie (KIT)
5 Institut für Organische Chemie (IOC), Karlsruher Institut für Technologie (KIT)
| Zugehörige Institution(en) am KIT | Institut für Organische Chemie (IOC) Institut für Theoretische Informatik (ITI) |
| Publikationstyp | Zeitschriftenaufsatz |
| Publikationsdatum | 25.08.2025 |
| Sprache | Englisch |
| Identifikator | ISSN: 1549-9596, 1549-960X KITopen-ID: 1000184019 |
| HGF-Programm | 43.33.11 (POF IV, LK 01) Adaptive and Bioinstructive Materials Systems |
| Erschienen in | Journal of Chemical Information and Modeling |
| Verlag | American Chemical Society (ACS) |
| Band | 65 |
| Heft | 16 |
| Seiten | 8426–8434 |
| Vorab online veröffentlicht am | 10.08.2025 |
| Nachgewiesen in | OpenAlex Dimensions Scopus Web of Science |