Neue Publikation zu LSER-Deskriptoren veröffentlicht

Wir freuen uns, unsere neueste Publikation “Prediction of solute descriptors for linear solvation energy relationships using k-nearest neighbours, group contributions, and graph-convolutional neural networks” (ACS Environ. Au, 2026, https://doi.org/10.1021/acsenvironau.6c00063) bekannt zu geben. In unserer Studie zeigt sich, dass der Ansatz mittels Graph-Convolutional Neural Networks (GNN) am besten abschneidet und die anderen Modelle in seiner Leistungsfähigkeit deutlich übertrifft. Im Vergleich zu unseren vorherigen Modellvarianten konnten wir die Vorhersagegenauigkeit noch einmal massiv steigern und die Fehler signifikant reduzieren.

Der größte Vorteil für alle Nutzenden: Diese neuen, leistungsstarken Modelle sind bereits in der LSER Toolbox implementiert und dienen ab sofort in unserer Software Pauly als Basis zur Berechnung der Deskriptoren für alle LSER-Gleichungen. Damit ist sichergestellt, dass direkt in der Software auf die bestmöglichen Vorhersagemodelle für LSER-Deskriptoren zugegriffen werden kann.