Chem ML/AI/Datasets

Сегодня у нас вышла новая работа:

Beyond Organic Molecules: MetalLipoDB, a Lipophilicity Dataset for Metal Complexes and Machine Learning Benchmarks

https://doi.org/10.26434/chemrxiv.15010021/v1

Работа продолжает систематизацию данных по комплексам металлов, начатую в MetalCytoToxDB. На этот раз предметом стала липофильность. Для органических соединений существуют большие открытые базы logP, а предсказание липофильности входит в стандартные ML-бенчмарки. Для комплексов металлов экспериментальные значения разбросаны по сотням статей, и существующие подборки покрывают преимущественно платину.

В работе представлена MetalLipoDB — крупнейшая на сегодня база экспериментальных значений липофильности комплексов металлов.

Объём базы: 5158 значений logP/logD для 4714 комплексов 23 металлов, вручную извлечённых из 1192 статей. Для каждой записи указаны условия измерения: состав водной фазы, pH, метод детекции.
В базу включены 546 многоядерных комплексов.

Оценена воспроизводимость измерений. Для одного и того же комплекса значения из двух разных статей расходятся в среднем на 0.56 логарифмических единиц. Эта величина задаёт практический предел точности моделей, обученных на литературных данных.

На основе базы обучены ML-модели (TabPFN, LightGBM, Chemprop, CheMeleon). Для комплексов из статей, отсутствующих в обучающей выборке, ошибка составляет MAE = 0.72-0.75. Если в серии уже измерены три комплекса, привязка предсказаний к этим измерениям снижает ошибку с 0.73 до 0.51.

❗️В разделе "Limitations and future work" перечислены ограничения подхода:

— Значения в базе представляют собой кажущиеся коэффициенты распределения в условиях, указанных авторами
— Многие комплексы не инертны в воде: в частности, хлоридные комплексы платины и рутения подвергаются замещению лиганда на воду
— Включены только измерения непосредственно распределения между октанолом и водной фазой, хроматографические индексы липофильности не рассматриваются
— Модели не учитывают стереохимию
— Для металлов, отсутствующих в обучающей выборке, ошибка возрастает до 0.83-0.89

Датасет на Zenodo: https://doi.org/10.5281/zenodo.23084573

Вчера вышла совместная работа AMD Silo AI и AstraZeneca

From Benchmark to Bench: Can Agents Survive Real-World Drug Discovery?🔥

https://arxiv.org/abs/2610.06411

We developed MAGI, an open modular agent that authors objectives, launches and monitors optimization, interprets structure-activity relationships, and revises its strategy accordingly. MAGI generates molecules either directly through the LLM or by delegating to REINVENT 4, with scoring services interchangeable behind a common contract. We tested it across nine retrospective lead-optimization campaigns from three pharmaceutical companies, replayed under fixed temporal cutoffs. Both routes produced valid structures: LLM proposals stayed closer to local chemistry and reached comparable or higher primary activity in fewer operations, whereas REINVENT explored broader chemical space.

Whether a campaign met its objective depended on the predictive models, not on the generation route: attainment followed model accuracy on the chemistry proposed, dropping once that chemistry moved outside the model's applicability domain.

Separately, a blinded evaluation asked whether the MAGI's output could pass as expert work: chemists were not able to discriminate agentic proposals from held-out compounds, and judged the SAR reasoning broadly plausible yet incomplete. Together, these results position MAGI as a coordination layer pluggable into existing computational chemistry workflows. The ceiling on real projects, however, remains currently set by scorer applicability rather than by tool orchestration.

ElemeNet: Multiscale Molecular Machine Learning with Uncertainty Quantification across the Periodic Table

https://doi.org/10.1021/acs.jcim.6c02178

This work introduces ElemeNet, a unified, general-purpose software package for molecular machine learning. The ElemeNet software package enables the training of advanced ML models for diverse properties and data sets with an enlarged range of elemental compositions.

We define molecular representations compatible with elements 1–100, supporting diverse organometallic and biological systems in addition to organic chemistry already well served by the Chemprop ML toolkit. As well as more common atom-, bond-, and molecule-level predictions, we introduce and allow for moiety-level predictions.

We also natively define optional conditioning on charge and spin states. Advanced E(3)-equivariant and transformer architectures are supported in addition to 2D models, with all classes including built-in uncertainty quantification through deterministic and statistical measures. We benchmark our protocols for ML model training against representative data sets from organic, inorganic, coordination, and biological chemistry, achieving competitive and SOTA performance relative to literature baselines and favorable scaling to millions of molecules.

📕Journal of Chemical Information and Modeling (IF=6.4)

Сегодня MIT + Merck выпустили на ChemRxiv CheMeleon для реакций, предобученный на 2 млн реакциях.

https://chemrxiv.org/doi/full/10.26434/chemrxiv.15008692/v1

We introduce CheMeleon-Rxn, a pre-trained reaction graph neural network that adapts the CheMeleon framework to condensed graphs of reaction (CGR) and demonstrates that descriptor-regression is an effective pre-training strategy for low-data reaction property prediction.

An O(10M)-parameter D-MPNN encoder was pre-trained on #2 million reactions by regressing onto dense reaction descriptors pooled from classical molecular descriptors, then fine-tuned on small reaction property prediction datasets. Across regression tasks spanning gasphase activation energies, reaction enthalpies, experimental yields, and rate coefficients, CheMeleon-Rxn is best or statistically tied-for-best on seven of eight tasks. It outperforms the same encoder trained from scratch, as well as classical-descriptor, fingerprint, and pre-trained-fingerprint baselines.

We further tested the pre-training strategy across various graph neural network architectures and found that its benefit holds for other edge-aware backbones such as GINE, and that it is robust to the choice of descriptor set, pooling operation, and other pre-training hyperparameters. We visualized and analyzed the CheMeleon-Rxn embeddings, which reveal chemically coherent structure in the learned reaction representation space

🔥Код полностью открытый: https://github.com/MSDLLCpapers/chemeleon-rxn

А вот веса будут опубликованы позже:

The model weights will be released upon publication.

🎉 Мы выпустили BigSolDB v2.2 — новое крупное обновление нашего открытого набора данных по растворимости.

Что нового:
➕ 13 287 новых измерений растворимости — теперь их 125 752
➕ 102 новых растворённых вещества — всего 1627
➕ 155 новых литературных источников — всего 1842

🧪 Добавлена информация о методиках эксперимента: способ измерения, время установления равновесия, перемешивание, контроль температуры и число повторов.

💎 Добавлены данные о твёрдых формах: чистота образца, характеризация методами XRD/DSC и термодинамические свойства. В набор вошли 1044 экспериментальные температуры плавления (Tm) и 824 экспериментальные энтальпии плавления (ΔH_fus).

Для 14 813 измерений теперь явно указана твёрдая форма вещества.

В отдельном файле опубликованы 59 680 рассчитанных коэффициентов активности.

Новая версия доступна на Zenodo:
https://doi.org/10.5281/zenodo.22648301

Коллеги из Польши, США и Южной Кореи систематизировали информацию по более чем 3000 полных синтезов, включающих в себя практически 60000 индивидуальных органических реакций.

Столь большой датасет позволил на качественно новом уровне исследовать ретросинтетическую логику исследователей. В частности, было показано, что:
- Задача планирования синтеза практически никогда не может сводиться к последовательному пошаговому принятию решений
- Практически половина синтетических шагов являются формально структурно непродуктивными и напрямую не приближают к целевой структуре
- Для навигации в этих "синтетических плато" в алгоритмах ретросинтеза необходимы механизмы многоступенчатого рассуждения
- Разработан ряд таких многоступенчатых эвристик, призванных улучшить разработку моделей машинного обучения для органического синтеза

Источник: https://pubs.acs.org/jacsat/article/doi/10.1021/jacs.6c08434/5401944/AbSynth-A-Century-of-Total-Syntheses-as-a-Machine

📕Journal of the American Chemical Society (IF=16.6)
#dataset

QuantumPioneer: Scalable Generation of Quantum Chemical Data for Solution-Phase Hydrogen Transfer Reactions

https://doi.org/10.1021/jacs.6c10371

We introduce QuantumPioneer, an open-access reaction-centered QM database and workflow for small organic molecules, focused on peroxyl-mediated hydrogen atom transfer (HAT) and the corresponding homolytic bond dissociation reactions.

QuantumPioneer contains 348,258 species (2-21 heavy atoms), 167,237 validated HAT transition states (TS) with corresponding reaction energies and homolytic bond dissociation energies (BDEs), and over 100 million COSMO-RS solvation free energies (ΔG_solv) and enthalpies (ΔH_solv) across 295 solvents.
The workflow uses ωB97X-D/def2-SVP geometries, DLPNO-CCSD(T)-F12a/cc-pVTZ-F12 single-point energies, empirical thermochemical corrections, transition-state theory, and COSMO-RS BP-TZVPD-FINE solvation in a single high-throughput pipeline.

Our benchmarks show reliable accuracy, with mean absolute errors (MAEs) compared to experimental and high-level QM reference data of 0.82 kcal/mol for gas-phase enthalpies of formation, 1.60 kcal/mol for C-H BDEs, 1.45 kcal/mol for HAT barriers, and 0.57 kcal/mol for ΔG_solv values.

We demonstrate two predictive applications. First, we show that combining BDE and HAT-barrier models identifies experimentally observed oxidative degradation sites in drug-like molecules with a 91% top-5 hit rate and 82% site-level recall.

Second, we show that a QM-parametrized Abraham model enables rapid solvation energy estimates at near-COSMO-RS accuracy within its training domain, reproducing computed ΔG_solv and ΔH_solv values with MAEs of 0.16 and 0.18 kcal/mol, respectively, though performance on experimental ΔG_solv values for unseen solutes was worse, with an MAE of 1.32 kcal/mol.

📕Journal of the American Chemical Society (IF=16.6)
#dataset

Новое исследование от AstraZeneca:

Do humans and large language models agree on the quality of synthesis plans? 🔥

https://doi.org/10.1039/d6dd00266h

Here, we investigated whether LLMs could mimic human experts on the challenging task of assessing retrosynthetic path feasibility in routes generated by a popular computer-aided synthesis planning tool (AiZynthFinder).

We evaluated the agreement between LLMs and expert chemists on holistic evaluations of the proposed routes as well as the individual chemical reactions in them. We used four frontier LLMs, three proprietary models and one open-source model (Claude Opus 4.8, GPT-5.5, Llama 3.1 70B, and Gemini 3.1 Pro) and employed 17 expert chemists to grade 50 retrosynthetic paths.

We found that, when provided with clearly defined reaction-evaluation categories, human experts tended to converge in their assessments. Among the evaluated models, Gemini 3.1 Pro achieved the highest agreement with the human majority vote. GPT-5.5 and Claude Opus 4.8 were comparatively more pessimistic, whereas Llama 3.1 70B showed a pronounced optimistic bias.

📕Digital Discovery (IF=7.1)

Model Validation Protocols for Machine Learning in Small Molecule Drug Discovery 🔥

https://www.biorxiv.org/content/10.64898/2026.08.19.745868v1

Building on the collective expertise of a cross-industry consortium, we present a model validation framework consisting of five recommendations that would enable the community to move beyond aggregate metrics toward understanding where and why molecular property prediction models fail.

We connect evaluation choices to real-world applications and case studies encountered in pharmaceutical research. The framework proposes splitting strategies that mimic realistic distribution shifts and expose common failure modes. We apply the recommended framework to a recently released dataset of absorption, distribution, metabolism, and excretion (ADME) properties.