药物研发管线漫长复杂且费用昂贵取决于众多因素。化学分子属性预测一直是药物发现领域早期阶段的一项最基本的且富有挑战性的重要任务,高效准确地预测分子属性,对于化学和制药行业设计合理的化合物是非常可取的。近年来,机器学习和深度学习在化学领域展现出了巨大的应用潜力,随着时间的推移准确性越来越高,为药物发现研究和开发提供了重要机会。本文提出了一种利用数据驱动的端到端的深度学习算法BCSA模型分别对分子的物理属性水溶性logS,油-水分配系数logP/logD进行了预测研究。首先,我们利用分子线性输入规范（Simplified Molecular Input Line Entry System,SMILES）序列表征的优势,搭建了基于双向长短期记忆网络（Bi-directional Long Short-Term Memory,BILSTM）的深度学习模型来预测分子结构的溶解度。此外,引入了通道注意力（Channel Attention）以及空间注意力（Spatial Attention）模块进行优化,在分子内空间角度上,分别探索分子特征向量的全局和局部特性,使模型能够专注于输入中最相关的部分。训练结果表明,引入的注意模块使得模型的拟合性能提升了5%左右,其中在训练过程时我们采用了贝叶斯参数优化来获得模型的最佳表现。同时,引入了SMILES增强技术来改善模型的泛化能力和鲁棒性,与每个分子仅使用一个规范SMILES字符串构建的模型相比,使用增强数据集训练的网络在验证集和测试集上都显示出更好的性能,并且增强倍数越大性能越好,扩增40倍后的测试集拟合效果达到了88%的准确度。其次,探索了当前倍受科学界关注的图神经网络模型对水溶性预测的效果。基于分子图表征构建了图卷积神经网络（Graph Convoluted Neural network,GCN）,消息传递神经网络（Message Passing Neural Network,MPNN）,基于图注意力机制的神经网络模型（Attentive FingerPrints,AttentiveFP）三种预测架构。在依赖原始分子图结构信息的三个模型中,发现GCN模型的性能最高,与BCSA模型性能相当。这表明GCN有能力仅用相对较少的原子属性,就可以学习几乎所有嵌入分子特征的信息。并且实验结果显示对于不同模型而言,易于预测和难以预测水溶性的分子很大程度上是相同的。然后,利用相关属性油-水分配系数logP/logD（pH=7.4）的预测对模型泛化能力进行了探索。令人鼓舞的是,BCSA模型在针对logP和logD的预测过程中不需要额外的辅助数据就可以获得更高的性能。其中,logP的拟合效果达到了99%,logD也实现了93%的准确率。在与三种图模型（GCN,MPNN,AttentiveFP）进行对比实验后,BCSA模型仍然表现出了最好的性能,其次是AttentiveFP,充分展现出了BCSA模型具有强泛化能力和健壮性。最后,为了化学专家以及相关研究人员能够快速方便使用BCSA模型,我们搭建了一个预测的可视化平台,可在以下位置免费访问http://cadd.siat.ac.cn/molpre/。