JACS Au封面文章 | 深势科技Uni-pKa：热力学原理+预训练建模=准确pKa预测

主要观点总结

深势科技推出的Uni-pKa框架将热力学原理融入机器学习建模中，旨在解决AI for Science中的复杂问题。它通过质子化系综理论来处理pKa预测问题，提高了数据驱动的pKa预测方法的准确性与可靠性。在多个类药分子测试集上，Uni-pKa达到了同类方法中的最佳精度。

关键观点总结

关键观点1: Uni-pKa框架简介

Uni-pKa是深势科技推出的创新框架，结合了热力学原理和预训练分子大模型，用于高精度pKa预测。

关键观点2: pKa预测的重要性

pKa预测在药物设计、生物化学反应等领域具有重要影响，精确预测pKa值对于理解分子行为和药物活性至关重要。

关键观点3: Uni-pKa的工作流程

Uni-pKa的工作流程包括质子化状态枚举、模型预训练和微调、FreeEnergy2pKa模块的应用等，适用于多种pKa预测任务。

关键观点4: Uni-pKa的预测精度

Uni-pKa在多个类药分子测试集上达到了最佳精度，与其他方法相比具有显著优势。

关键观点5: Uni-pKa的热力学自洽性

Uni-pKa处理的预测问题具有热力学自洽性，能够处理多个电离位点和连续电离的复杂情况。

关键观点6: 开源和应用程序

Uni-pKa已开源，用户可以从深势科技GitHub仓库获得源代码，并将其应用于自己的研究和工作中。此外，还有Bohrium® App可用于提交分子进行pKa预测。

文章预览

在当今的科学研究中，AI for Science 迅速成为解决复杂问题的重要工具。然而，如何将科学原理融入机器学习建模，以在有限训练数据下提升模型的预测性能，仍是一个重大挑战。在此背景下，深势科技推出了名为 Uni-pKa 的创新框架，将热力学原理融入机器学习建模中，并结合预训练-微调的训练策略，充分利用了不同质量的数据，实现了对酸解离常数（pKa）的高精度预测。 有机小分子的酸碱性对其在生物体内展现的药效、代谢和毒性有深远的影响 [1] 。精确的药物活性预测（如自由能微扰计算）必须定量地考虑分子在水溶液中的酸碱平衡 [2] 。因此，预测酸性电离平衡常数（pKa）是计算机辅助药物设计中的重要任务。随着 AI for Science 的发展，数据驱动的 pKa 预测方法以其高通量和可接受的精度，从基于经验或传统计算化学的方法中脱颖而出 [3] 。然 ………………………………