分子溶解度直接影响反应可行性、配方性能、分离效率和溶剂选择等关键研发环节。实验测量受溶质、溶剂和温度多维因素制约，成本高且数据稀疏。现有计算模型多基于固定溶剂假设、确定性公式或简化的溶质‑溶剂交互表示，难以捕获复杂的分子相互作用、连续温度效应以及实验不确定性。
EnSol 提出了一种环境感知的概率框架。首先将溶质和溶剂分别表示为分子图，并使用独立的图神经网络学习它们的嵌入。随后通过跨注意力机制将两者特征融合，以捕获细粒度的溶质‑溶剂相互作用。温度信息直接作用于溶剂环境，通过特征调制（feature‑wise modulation）实现温度对嵌入的连续影响。最终，混合密度网络（Mixture Density Network）输出完整的溶解度分布，从而同时建模温度依赖行为和实验测量的不确定性。
在独立的 SolProp 与 Leeds 基准数据集上，EnSol 分别取得了 $0.876$ 与 $0.601$ 的 Spearman 相关系数，均优于当前最先进的溶解度预测模型。进一步的实验验证覆盖化学多样的溶质‑溶剂对，EnSol 仍保持强预测能力并能够可靠排序溶剂，Spearman 相关系数达到 $0.715$。这些结果表明 EnSol 能在多种化学体系中提供可信的溶解度预测和溶剂选择，并自然地量化预测不确定性。
点评：EnSol 通过图神经网络、跨注意力和混合密度网络的有机结合，实现了对环境因素的细致建模，为分子溶解度预测提供了更高的准确性和可靠性。