في عالم اكتشاف الأدوية، يعد التوقع الدقيق لخصائص ADMET (الامتصاص والتوزيع والتمثيل الغذائي والإخراج والسُمية) أمرًا حاسمًا. ومع ذلك، تعتمد معظم النماذج الحالية على الرسوم البيانية الجزيئية غير الموجهة، مما يفوت الفرص لاكتشاف التفاعلات غير المتماثلة والديناميات غير القابلة للعكس. هنا يأتي دور ChemHyperMag، نموذج ثوري يقترح استخدام التعلم الهيدرغرافي المغناطيسي لتحسين دقة هذه التوقعات.

يهتم ChemHyperMag بتحسين أداء التوقعات متعددة المهام حتى في وجود علامات مفقودة، من خلال بناء هيكل هيبرغرافي يعتمد على المجموعات الوظيفية، بما في ذلك الحلقات وقطع BRICS، وهياكل Bemis-Murcko، والروابط. كما يحدد نموذجنا تدفقًا غير قابل للعكس مستندًا إلى الكهرباء الإلكترونية والشحنات الجزئية وفقًا لطريقة Gasteiger.

تُشفر الدورات الناتجة بواسطة لابلاسيان مغناطيسي هيرمتي، وتُعالج من خلال مشفر Chebyshev المغناطيسي. ومع استخدام تحسينات في تحريك الأطوار المغناطيسية، يوفر ChemHyperMag وجهات نظر عشوائية ويندرج ضمن إطار عمل غرض InfoNCE.

تظهر نتائج التجارب في عدة نماذج مرجعية لـ ADMET أن ChemHyperMag يتفوق على الأساليب الحديثة باستخدام عينات موصوفة أقل ودون الحاجة إلى تكوينات معقدة. يُظهر ChemHyperMag أيضًا قدرته على التوسع ويوفر إشارات اتجاهية قابلة للتفسير من خلال أطواره المغناطيسية. إن هذه الابتكارات تجعل ChemHyperMag من أدوات البحث الرائدة في هذا المجال وتجعلها مثالاً يحتذى به خلال مستقبل اكتشاف الأدوية.