本研究提出了一种贝叶斯流网络，旨在解决新药设计中生成高于训练空间属性的分布外分子的挑战。该网络能够高效生成高质量的分布外样本，并引入半自回归的训练/采样方法，显著提升模型性能。

本研究利用线性回归和图卷积神经网络模型分析实验数据，预测分子溶解度。结果表明，GCNN模型性能最佳，线性回归模型揭示了化学影响机制，为新药设计提供了参考。未来应结合两者优势，推动高通量筛选的突破。