في عالم الكيمياء، تلعب ذوبانية الجزيئات دورًا أساسيًا في تقدم البحث والتطوير. من تحديد قابليّة التفاعل إلى كفاءة الفصل واختيار المذيبات، يظل قياس الذوبانية التجريبية عملية باهظة الثمن وصعبة. هنا تبرز إنسول (EnSol) كحل ثوري، حيث يعتبر إطارًا معتمدًا على الشبكات العصبية البيانية المصممة خصيصًا لتحسين دقة تنبؤات ذوبانية الجزيئات.

تعمل إنسول على تمثيل الجزيئات والمذيبات كرسوم بيانية، مما يتيح لها فهم تفاعلات الجزيئات بطريقة أكثر تفصيلاً. ففي هذا الإطار، يتم تعلم تمثيلات مخصصة لكل من الجزيئات والمذيبات قبل دمجها معًا باستخدام آلية الانتباه المتبادل (cross-attention) لتطوير فهم متعمق للتفاعلات.

كما أن إنسول تأخذ في الاعتبار تأثيرات درجة الحرارة على البيئة المحيطة بالمذيب، من خلال تطبيق التحويرات على الميزات، مما يجعلها نموذجًا فعالًا في توقع سلوك الذوبانية بشكل مستقل عن التركيبات التقليدية. ومن خلال شبكة كثافة مختلطة (mixture density network)، تستطيع إنسول التنبؤ بتوزيعات الذوبانية بالكامل، مما يساعد في احتساب عدم اليقين التجريبي.

عند اختبار إنسول على مجموعتين من البيانات، وهما SolProp وLeeds، أدت إلى دقة ملحوظة، حيث حققت ارتباط سبيرمان يصل إلى 0.876 و0.601 على التوالي، متجاوزة النماذج السابقة في دقتها.

كما أكدت الاختبارات التجريبية عبر أزواج متنوعة من الجزيئات والمذيبات أن إنسول احتفظت بأداء تنبؤي قوي، محققةً ارتباط سبيرمان بلغ 0.715. هذه النتائج تشير إلى أن إنسول توفر طريقة موثوقة للتنبؤ بالذوبانية ودعم اختيار المذيبات، مع مراعاة عدم اليقين في التوقعات عبر أنظمة كيميائية متنوعة.