Physik-informiertes Deep Learning zur Vorhersage der molekularen Löslichkeit: Integration thermodynamischer Einschränkungen mit neuronalen Netzwerkarchitekturen

Die genaue Vorhersage der wässrigen Löslichkeit bleibt eine grundlegende Herausforderung in der Arzneimittelentwicklung und Molekulardesign, wobei traditionelle Machine-Learning-Ansätze oft Vorhersagen produzieren, die grundlegende thermodynamische Prinzipien verletzen. Hier führen wir ein physik-informiertes neuronales Netzwerk (PINN) ein, das thermodynamische Einschränkungen explizit in den Lernprozess integriert, um physikalische Konsistenz zu gewährleisten und die Vorhersagegenauigkeit zu verbessern. Unser Ansatz zerlegt die Lösungsenthalpie in physikalisch interpretierbare Komponenten - Höhlenbildung, elektrostatische Wechselwirkungen, van-der-Waals-Kräfte und Wasserstoffbrückenbindungen - und erzwingt ihre thermodynamischen Beziehungen durch maßgeschneiderte Verlustfunktionen. Wir erweitern den standardmäßigen AqSolDB-Datensatz (9982 Moleküle) mit Quantenchemie-Berechnungen für 1.500 Moleküle und liefern echte Energiezerlegungen. Das physik-informierte Modell erreicht eine RMSE von 0,36 log Einheiten auf AqSolDB und zeigt 35 % verbesserte Leistung bei der Extrapolation auf neuartige chemische Gerüste im Vergleich zu rein datengestützten Ansätzen. Kritisch befriedigen 96,3 % der Vorhersagen strenge thermodynamische Konsistenz (Energieerhaltungfehler < 2 kJ/mol) im Vergleich zu nur 67,4 % für Standard-neuronale Netzwerke, wobei schwerwiegende physikalische Verstöße von 32,6 % auf 3,7 % reduziert werden. Diese Arbeit etabliert einen allgemeinen Rahmen zur Integration von Fachwissen in die Vorhersage molekularer Eigenschaften, mit unmittelbaren Anwendungen in der Arzneimittelentwicklung, Materialentdeckung und chemischen Ingenieurwissenschaft.