پیشگویی خواص مولکولی نقش محوری در زمینههای مختلفی از جمله کشف دارو و طراحی مواد دارد که به هدف پیشگویی طیف وسیعی از خواص مولکولها، مانند حلالیت، سمی بودن و فعالیت بیولوژیکی انجام میشود. حوزه کشف دارو و پیشگویی خواص مولکولی به دلیل ظهور تکنیکهای یادگیری ماشین پیشرفته تحول چشمگیری داشته است. از آنجاییکه ساختارهای مولکولی به طور ذاتی پیچیده هستند و شامل ترتیبات متنوعی از اتمها و پیوندها هستند، این پیچیدگی چالشهایی را برای تکنیکهای یادگیری ماشین سنتی در پیشگویی دقیق خواص مولکولی ایجاد میکند. روشهای سنتی مبتنی بر اثرانگشتها و توصیفگرهای مولکولی، هرچند اطلاعاتی ارزشمند ارائه میدهند، اما غالباً در بهتصویرکشیدن روابط ساختاری پیچیده درون مولکولها دچار مشکل میشوند. پیشرفتهای اخیر در شبکههای عصبی گراف توانایی آنها در رفع این محدودیتها را از طریق نمایش مؤثر مولکولها به عنوان گرافها نشان داده است. در این پژوهش ما به معرفی رویکردهای مبتنی بر شبکههای عصبی گراف برای پیشگویی خواص مولکولی میپردازیم. یافتههای ما کارآمدی این رویکردها را در مواجهه با چالشهای پیشگویی خواص مولکولی نشان میدهد و پتانسیل آن برای کاربردهای گستردهتر در شیمیانفورماتیک را برجسته میکند.

کلمات کلیدی