# Przewidywanie właściwości cząsteczek

EN: **Molecular property prediction** · id `molproperty` · aliases: QSAR, molecular property prediction, ADMET prediction, przewidywanie toksyczności

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [AI w nauce](https://aiatlasgraph.com/t/aiscience.md) › [Chemia i odkrywanie leków](https://aiatlasgraph.com/t/chemistry.md) › Przewidywanie właściwości cząsteczek

## Description

- PL: Regresja i klasyfikacja właściwości fizykochemicznych, biologicznych i toksyczności (ADMET) z reprezentacji cząsteczki.
- EN: Regression and classification of physicochemical, biological and toxicity (ADMET) properties from a molecular representation.

## In one sentence

- PL: Szacowanie na podstawie samego wzoru cząsteczki, czy będzie rozpuszczalna, toksyczna albo skuteczna.
- EN: Estimating from a molecule's structure alone whether it will dissolve, be toxic or work as intended.

## Problem it solves

- PL: Zmierzenie rozpuszczalności czy toksyczności tysięcy związków w laboratorium jest drogie i powolne.
- EN: Measuring the solubility or toxicity of thousands of compounds in the lab is expensive and slow.

## What it does

- PL: Jak doświadczony chemik, który po rysunku cząsteczki przeczuwa jej zachowanie, tyle że opiera się na tysiącach pomiarów.
- EN: Like an experienced chemist who senses a molecule's behaviour from its drawing, except it relies on thousands of measurements.

## Everyday example

- PL: Zanim zamówisz syntezę nowego związku, program ostrzega, że prawdopodobnie będzie słabo rozpuszczał się w wodzie.
- EN: Before you order a new compound, software warns that it will probably dissolve poorly in water.

## This concerns you if you…

- PL: masz pomiary dla części związków i chcesz przewidzieć resztę
- PL: wybierasz, które cząsteczki zsyntetyzować najpierw
- EN: have measurements for some compounds and want to predict the rest
- EN: are choosing which molecules to synthesise first

## Keywords

MoleculeNet · ECFP · Chemprop · RDKit · Therapeutics Data Commons · OGB · scaffold split

## How it works

- PL: Klasycznie: odciski palców (np. ECFP) lub deskryptory plus las losowy albo boosting. Współcześnie: GNN przekazujące wiadomości po atomach i wiązaniach oraz modele wstępnie trenowane na dużych zbiorach cząsteczek. Rzetelna ocena wymaga podziału według rusztowań lub czasu.
- EN: Classically: fingerprints (e.g. ECFP) or descriptors with random forests or boosting. Today: GNNs passing messages over atoms and bonds, and models pretrained on large molecule collections. Fair evaluation needs scaffold or time-based splits.

## Limits

- PL: Przy kilkuset przykładach proste odciski palców z boostingiem często dorównują głębokim modelom. W zadaniach kwantowych liczy się fizyczna reprezentacja; model nie wie sam, kiedy cząsteczka leży poza jego obszarem zastosowania.
- EN: With a few hundred examples, simple fingerprints with boosting often match deep models. For quantum tasks a physics-aware representation matters; a model does not know by itself when a molecule lies outside its applicability domain.

## Key terms

- PL: **odcisk palca cząsteczki**: Ciąg bitów zaznaczający, jakie fragmenty występują w cząsteczce.
- PL: **QSAR**: Modelowanie zależności między budową cząsteczki a jej działaniem.
- PL: **obszar zastosowania**: Zakres cząsteczek, dla których przewidywania modelu są wiarygodne.
- EN: **molecular fingerprint**: A bit string marking which fragments occur in a molecule.
- EN: **QSAR**: Modelling the relationship between a molecule's structure and its activity.
- EN: **applicability domain**: The range of molecules for which a model's predictions are reliable.

## Know first

- [Gradient boosting (XGBoost, LightGBM) (Gradient-boosted trees)](https://aiatlasgraph.com/t/gradientboosting.md)
- [Strategie podziału: losowy, czasowy, grupowy (Split strategies: random, temporal, grouped)](https://aiatlasgraph.com/t/splitstrategies.md)

## Related topics

Untyped, symmetric "see also" links.

- [Konwolucje grafowe i uwaga na grafach (GCN, GAT) (Graph convolutions and graph attention (GCN, GAT))](https://aiatlasgraph.com/t/messagepassing.md)

## Sources

- [MoleculeNet: A Benchmark for Molecular Machine Learning](<https://arxiv.org/abs/1703.00564>) `moleculenet-2017` · by Zhenqin Wu, Bharath Ramsundar, Evan N. Feinberg, Joseph Gomes, Caleb Geniesse, Aneesh S. Pappu, Karl Leswing, Vijay Pande

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/molproperty · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30