Prediction of pKa values of small molecules via graph neural networks

Abstract

pKa-Werte spielen im Bereich der molekularen Modellierung eine große Rolle, da sie die Ladung, Tautomer-Konfiguration und allgemeine 3D-Struktur eines Moleküls in der physiologischen Umgebung beeinflussen. All diese Faktoren prägen weiters die Mobilität, Permeabilität, Stabilität und Wirkweise der Substanzen im Körper. Bei unzureichenden bzw. fehlenden empirischen Messdaten ist die korrekte Bestimmung von pKa-Werten somit essentiell, um die genannten Moleküleigenschaften korrekt vorhersagen zu können.Die vorliegende Arbeit geht von den Datensätzen und Modellen der Publikation "Machine learning meets pKa" von Baltruschat et al. aus, deren relevante Ergebnisse reproduziert und mittels auf Graph neuronalen Netzen basierenden Modellen sogar substanziell verbessert wurden. Die Arbeit wurde in der Programmiersprache "Python" verfasst, die Funktionen bzw. Prozessskripten sind in Form des eigens erstellten Paketes "pkasolver" (https://github.com/MayrF/pkasolver) veröffentlicht und frei zugänglich gemacht.

pKa values play a major role in the field of molecular modelling, as they influence the charge, tautomer configuration, and overall 3D structure of a molecule in the physiological environment. All these factors further shape the mobility, permeability, stability and mode of action of substances in the body. In case of insufficient or missing empirical data, the correct determination of pKa values is thus essential to correctly predict the aforementioned molecular properties.The present work is based on the data sets and models of the publication "Machine learning meets pKa" by Baltruschat et al., the relevant results of which were reproduced and even substantially improved by using models based on graph neural networks. The work was written in the programming language "Python", the functions and process scripts are published and made freely available in the form of the custom package "pkasolver" (https://github.com/MayrF/pkasolver).