В статье представлен метод Ark-ADMET, который демонстрирует, что для достижения конкурентоспособных результатов в предсказании ADMET (абсорбция, распределение, метаболизм, выведение и токсичность) не обязательно использовать единую архитектуру для всех задач. Исследователи применили протокол бенчмарка Therapeutics Data Commons (TDC) к 22 конечным точкам, подбирая оптимальные молекулярные представления и гиперпараметры для градиентного бустинга (CatBoost) индивидуально для каждой задачи. В качестве базового компонента использовались стандартные отпечатки пальцев и физико-химические дескрипторы, к которым добавлялись специфичные для конечных точек компоненты: усеченные трехмерные дескрипторы PaDEL, замороженные эмбеддинки графовых изоморфизмов (GIN) и MiniMol, а также их комбинации с неглубокими сетями. Выбор оптимальной конфигурации осуществлялся на внутреннем контрольном наборе данных с использованием строгого правила улучшения. Результаты показали, что семейство из 22 специализированных моделей Ark-ADMET превзошло лучшие ранее опубликованные результаты на 3 конечных точках и достигло их уровня еще на 7 из 21 оцениваемой задачи. Это доказывает, что тщательная настройка представлений и гиперпараметров под конкретную задачу может быть столь же эффективной, как и разработка новых сложных архитектур, что упрощает внедрение ИИ в доклинические исследования лекарств.