简单模型何时胜出？紫外吸收预测的机器学习架构对比
核心概要
该工作以紫外吸收波长（λmax）预测为测试场景，在18,415个溶质-溶剂对（经Greenman/Song重复处理协议）上以分层5折交叉验证比较了五类模型（随机森林、XGBoost、有向消息传递图神经网络、双向门控循环网络、预训练Transformer），并辅以两个合计超过40,000个分子的外部数据集，发现已知化学空间内的筛选任务中随机森林与最佳深度学习模型统计上不可区分（RMSE 31.50±1.47 nm 对 33.15±3.27 nm，p=0.16）且仅需CPU上15分钟训练，而在16个新骨架紫外吸收化合物的实验验证中图神经网络（MAE 26.2 nm）、Transformer（26.3 nm）与Bi
深度剖析
模型优劣取决于任务：在已知化学空间内插值筛选时，带Morgan指纹的随机森林与最佳深度学习模型统计上不可区分，且计算成本极低。 此前对分子性质预测的架构比较较少在同一测试场景下同时给出统计等价性与训练成本对照，这里以RMSE 31.50±1.47 nm 对 33.15±3.27 nm（p=0.16）以及CPU上15分钟、仅轻量网格搜索、无需GPU的设定，把“简单模型够用”的条件具体化。 基于18,415个溶质-溶剂对、分层5折交叉验证与两个合计超过40,000个分子的外部数据集，并给出均值±标准差与p值。
面向新骨架探索时深度学习更优：16个新紫外吸收化合物的实验验证显示图神经网络、Transformer与BiGRU的MAE均低于随机森林。 该结果把“学习到的表示能外推到固定指纹无法覆盖的新骨架”这一判断落到具体化合物验证上，而非仅停留在基准数据集的划分比较。 实验验证样本为16个新紫外吸收化合物，GNN MAE 26.2 nm、Transformer 26.3 nm、BiGRU 28.6 nm、RF 38.5 nm；样本量较小，属于指向性证据。
编码溶剂身份普遍提升所有模型表现，且无需领域专用描述符工程。 以简单的SMILES/指纹拼接策略实现溶剂信息注入，在有多溶剂训练覆盖的发色团上RMSE降低21-32%（占测试记录60%），全基准降低6-8%（p<0.02），说明收益来自数据组织方式而非复杂特征设计。 报告了分层的降幅区间与显著性水平，并说明多溶剂训练覆盖对应的测试记录占比。
可解释性分析显示随机森林特征重要性与BiGRU梯度显著性独立指向相同的发色团基序，且具局部归纳偏置的架构在该局部决定性质上系统性优于全局注意力Transformer。 把架构差异与性质本身的局部性联系起来，为“局部偏置架构更适合局部决定性质”提供了同一任务内的双重证据。 基于两种独立归因方法的一致性观察，属于机制层面的支持性证据，而非因果实验。
启示与展望
该结果面向紫外吸收波长（λmax）预测这一具体任务，适用于已知化学空间内的筛选与需要外推到新骨架的探索两类设定；溶剂编码收益的量化区间对应有多溶剂训练覆盖的发色团（占测试记录60%）与全基准两种口径。作者提出的“局部偏置架构更适合局部决定性质”仅为假设，跨性质类型的验证被明确留作未来工作。
新骨架结论建立在16个新紫外吸收化合物的实验验证上，样本规模有限，其外推范围值得继续观察；溶剂编码的降幅在不同训练覆盖条件下差异较大（21-32% 对 6-8%），实际收益取决于数据中多溶剂覆盖的比例；可解释性结论来自两种归因方法的一致性，尚需更多性质类型检验局部偏置假设。本次读取为摘要级范围，未包含图表与完整方法细节，涉及具体实现与超参数的判断需回到原文核对。