Evaluation of AI models for predicting drug solubility in cosolvent systems

Evaluación de modelos de IA para predecir la solubilidad de fármacos en sistemas cosolventes

The low solubility of drugs presents a significant challenge in pharmaceutical development. This study evaluates the ability of five artificial intelligence models — Artificial Neural Network (ANN), Random Forest, K-Nearest Neighbors (KNN), Linear Regression, and XGBoost — to predict drug solubility in cosolvent systems. The study uses a dataset that integrates the physicochemical properties of the solute and solvent. The objective was to identify the most accurate model and analyze the relative importance of the predictor variables. The results demonstrate a clear hierarchy in model performance. Tree-based algorithms XGBoost and Random Forest showed exceptional predictive power with coefficients of determination (R²) of 0.9737 and 0.9752, respectively, and the lowest mean squared errors. The ANN model also demonstrated robust performance (R² = 0.9585), whereas the linear regression model was unable to capture the nonlinear relationships inherent in the system (R² = 0.4463).  Feature importance analysis revealed significant differences: tree models prioritized the drug's molar mass, while ANN attributed considerable importance to the cosolvent system's properties, such as the solvents' molar mass and volume. These differences highlight the complexity of solubility as a multifactorial phenomenon. We conclude that ensemble models, particularly XGBoost, are highly effective and accurate tools for in silico solubility prediction. Additionally, we find that a comparative modeling approach is crucial for gaining a holistic understanding of the physicochemical interactions that govern the process.

La baja solubilidad de los fármacos supone un reto importante en el desarrollo farmacéutico. En este estudio se evalúa la capacidad de cinco modelos de inteligencia artificial (red neuronal artificial, bosque aleatorio, K-vecinos más cercanos, regresión lineal y XGBoost) para predecir la solubilidad de los fármacos en sistemas cosolventes. El estudio utiliza un conjunto de datos que integra las propiedades fisicoquímicas del soluto y el solvente. El objetivo era identificar el modelo más preciso y analizar la importancia relativa de las variables predictivas. Los resultados muestran una clara jerarquía en el rendimiento de los modelos. Los algoritmos basados en árboles, XGBoost y Bosque Aleatorio, mostraron una capacidad predictiva excepcional, con coeficientes de determinación (R²) de 0,9737 y 0,9752, respectivamente, y los errores cuadrados medios más bajos. El modelo ANN también demostró un buen rendimiento (R² = 0,9585), mientras que el modelo de regresión lineal no pudo captar las relaciones no lineales inherentes al sistema (R² = 0,4463). El análisis de importancia de las características reveló diferencias significativas: los modelos de árbol dieron prioridad a la masa molar del fármaco, mientras que la ANN atribuyó una importancia considerable a las propiedades del sistema cosolvente, como la masa molar y el volumen de los disolventes. Estas diferencias ponen de manifiesto la complejidad de la solubilidad como fenómeno multifactorial. En conclusión, los modelos de conjunto, en particular XGBoost, son herramientas muy eficaces y precisas para la predicción de la solubilidad in silico. Además, consideramos que un enfoque de modelización comparativa es fundamental para obtener una comprensión global de las interacciones fisicoquímicas que rigen el proceso.

A baixa solubilidade dos fármacos representa um desafio importante no desenvolvimento farmacêutico. Este estudo avalia a capacidade de cinco modelos de inteligência artificial (rede neural artificial, floresta aleatória, K-vizinhos mais próximos, regressão linear e XGBoost) para prever a solubilidade dos fármacos em sistemas co-solventes. O estudo utiliza um conjunto de dados que integra as propriedades físico-químicas do soluto e do solvente. O objetivo era identificar o modelo mais preciso e analisar a importância relativa das variáveis preditivas. Os resultados mostram uma hierarquia clara no desempenho dos modelos. Os algoritmos baseados em árvores, XGBoost e Random Forest, mostraram uma capacidade preditiva excepcional, com coeficientes de determinação (R²) de 0,9737 e 0,9752, respectivamente, e os menores erros quadráticos médios. O modelo ANN também demonstrou um bom desempenho (R² = 0,9585), enquanto o modelo de regressão linear não conseguiu captar as relações não lineares inerentes ao sistema (R² = 0,4463). A análise da importância das características revelou diferenças significativas: os modelos de árvore deram prioridade à massa molar do fármaco, enquanto a ANN atribuiu uma importância considerável às propriedades do sistema co-solvente, como a massa molar e o volume dos solventes. Estas diferenças evidenciam a complexidade da solubilidade como um fenómeno multifatorial. Em conclusão, os modelos de conjunto, em particular o XGBoost, são ferramentas muito eficazes e precisas para a previsão da solubilidade in silico. Além disso, consideramos que uma abordagem de modelagem comparativa é fundamental para obter uma compreensão global das interações físico-químicas que regem o processo.