Advancing Solubility Prediction by Integrating Computational Models, Multi-Solvent Systems, and Sourced PubChem Data

Die Wasserlöslichkeit ist eine Schlüsseleigenschaft chemischer Verbindungen, die ihre potenziellen Anwendungen bestimmt, von der Arzneimittelentwicklung bis zur Materialwissenschaft. Um die aktuellen Methoden zur Vorhersage der Löslichkeit weiter zu verbessern, verfolgte ich drei sich ergänzende Ansätze: (1) Hinzufügen weiterer Daten und Darstellungen, (2) Verfeinerung der Modellentwicklung mit zusätzlichen Funktionen, (3) Erweiterung auf ein Mehr-Lösungsmittelsystem.
Im ersten Projekt wurde eine Hochdurchsatz-Pipeline entwickelt, um Löslichkeitsdaten aus der PubChem-Datenbank unter Verwendung von SMILES-Darstellungen (Simplified Molecular Input Line Entry System) zu extrahieren, zu bereinigen und zu validieren. ... mehrInsgesamt wurden 50 Millionen SMILES mithilfe der Python-Bibliothek PubChem verarbeitet, um Löslichkeitsdaten abzurufen, die dann systematisch bereinigt, standardisiert und anhand von Literaturdatensätzen ausgewertet wurden. Der endgültige Datensatz bestand aus 32.874 Einträgen, kategorisiert in Salze (811 Verbindungen) und Nichtsalze (32.063 Verbindungen), wobei 368 Datenpunkte zur Validierung mit Literaturquellen übereinstimmen. Um die extrahierten Daten und andere aus der Literatur bekannte Datensätze nutzen zu können, wurde ein verbessertes Modell zur Vorhersage der Wasser- und Nicht-Wasserlöslichkeit entwickelt.
Zur Vorhersage der Wasserlöslichkeit habe ich einen kuratierten Datensatz verwendet, der aus vier verschiedenen Quellen zusammengeführt wurde. Unser Ansatz integriert chemische Deskriptoren, Fingerabdrücke und funktionelle Gruppen, was zu einer hohen Vorhersagegenauigkeit führt. Das Modell wurde am Huuskonen-Datensatz (1.282 8
einzigartige organische Verbindungen) getestet und erreichte einen R²-Wert von 0,92 und einen MAE von 0,40, womit es bestehende Methoden zur Vorhersage der Löslichkeit übertraf.
Für die Vorhersage der Löslichkeit mehrerer Lösungsmittel wurde das Modell so konzipiert, dass es neun verschiedene Lösungsmittel einbezieht und dabei die Temperatur als Schlüsselvariable behandelt. Durch die Berücksichtigung solcher Lösungen, spezifischer Wechselwirkungen und temperaturabhängiger Löslichkeitsschwankungen bietet dieser Ansatz einen umfassenderen und anpassungsfähigeren Rahmen für die Vorhersage der Löslichkeit in unterschiedlichen chemischen Umgebungen.

Aqueous solubility is a key property of chemical compounds that determines their potential applications, from drug development to materials science. To further improve the current solubility prediction methods, we followed three complementary approaches: (1) added more data and representation, (2) refined model development with added features, and (3) expanded to a multi-solvent system.
In the first project, a high-throughput pipeline was developed to extract, clean, and validate solubility data from the PubChem database using SMILES (Simplified Molecular Input Line Entry System) representations. ... mehrA total of 50 million SMILES were processed using the PubChemPy Python library to retrieve solubility data, which was then systematically cleaned, standardized, and evaluated against literature datasets. The final dataset consisted of 32,874 entries, categorized into salts (811 compounds) and non-salts (32,063 compounds), with 368 data points matching literature sources for validation. To utilize the extracted data and other known literature datasets, an improved model for predicting aqueous and non-aqueous solubility was developed.
For predicting aqueous solubility, I used a curated dataset compiled from four distinct sources. Our approach integrates chemical descriptors, fingerprints, and functional groups, leading to high predictive accuracy. The model was tested on the Huuskonen dataset (1,282 unique organic compounds), achieving an R² value of 0.92 and an MAE of 0.40, outperforming existing solubility prediction methods.
For multi-solvent solubility prediction, the model was designed to incorporate nine different solvents while treating temperature as a key variable. By accounting for solvent-specific interactions and temperature-dependent solubility variations, this approach provides a more 7
comprehensive and adaptable framework for predicting solubility across diverse chemical environments.