【PaddlePaddle Hackathon】83 预测化合物的酸解离常数（pKa）

[Fairly]

（此 ISSUE 为 PaddlePaddle Hackathon 活动的任务 ISSUE，更多详见PaddlePaddle Hackathon）

螺旋桨（PaddleHelix）是一个生物计算工具集，是用机器学习的方法，特别是深度神经网络，致力于促进以下领域的发展：新药发现、疫苗设计、精准医疗 等。

【任务说明】

• 任务题目：预测化合物的酸解离常数（pKa）

• 技术标签：深度学习、C++、python、生物计算

• 任务难度：中等

• 详细说明：对于弱酸弱碱的化合物，酸解离常数（pKa）是最重要的理化性质指标之一，其决定化合物的溶解度、亲脂性、生物富集性、毒性、吸收、分布、代谢和排泄等性质。pKa 过往主要通过实验方法测定，耗时耗力，效率低。随着 AI 技术的发展，已有越来越多运用 AI 技术，预测化合物 pKa 的方法。在这个任务中，需要你借助 PaddleHelix 提供的深度学习基础工具集和模型，设计可提供化合物 pKa 预测功能的工具组件，预测化合物的 pKa，产出 pKa 预测算法模型。

【提交内容】

1. 项目 PR 到 PaddleHelix
2. 相关技术文档
3. 测试数据集以及测试结果

【技术要求】

• 熟练掌握深度学习方法
• 了解化合物酸解离常数（pKa）的指标意义
• 了解 Paddle相关的技术背景

【任务指引】

1. Paddle AI Studio 螺旋桨系列教程
   https://aistudio.baidu.com/aistudio/projectdetail/1293361

2. PaddleHelix 开源中英文 IPython Notebook 教程
   https://github.com/PaddlePaddle/PaddleHelix/tree/dev/tutorials

【参考 pKa 数据集】

• 我们收集了少量化合物 pKa 的实验数据，请参考下列文章和链接：

1. Baltruschat, M. & Czodrowski, P. Machine learning meets pK a. F1000Res 9, Chem Inf Sci-113 (2020).
   数据链接：https://github.com/czodrowskilab/Machine-learning-meets-pKa/tree/master/datasets

2. Liao, C. & Nicklaus, M. C. Comparison of Nine Programs Predicting pKa Values of Pharmaceutical Substances. J. Chem. Inf. Model. 49, 2801–2812 (2009).
   数据链接：https://pubs.acs.org/doi/10.1021/ci900289x#si1