伊利诺伊州奥克布鲁克 - 9月的SLAS发现封面文章“使用物理化学测量来影响更好的化合物设计”，作者Robert J. Young博士，Shenaz B. Bunally博士和Chris N. Luscombe，博士(GlaxoSmithKline)概述了常用的理化性质以及在整个药物发现过程中如何评估和测量它们，同时还解释了导致有缺陷结果的每种性质的含义。该评论还提供了关于哪些现代方法可用于改进次级测试结果的建议。

量化研究分子的物理化学组成是理解药物分子的机制和相互作用的基础。从这个角度看，Bunus，Luscombe和Young介绍了关键参数，它们的含义以及它们在最佳实践中的测量和预测方式。具有过度亲脂性和/或溶解性差的次优性质的问题是变化的，包括筛选活动中的不良结果，杂乱性，有限和/或可预测的药代动力学暴露和更大的临床失败机会。

高通量测量使得能够在所有实验化合物上收集数据，然后将其分析并建立为结构性质关系(SPR)。这应该更快速地识别好的和坏的异常值，这使得能够增强对结果的解释并且优先化更好的进展结构。这些数据越来越多地为时间分析和改进的预测模型的生成提供了基础?描述符本身或描述符具有深远影响的更复杂模型。

对模型构建中使用的方法和技术的介绍为现代Predict First文化的基础提供了背景。虽然人工智能在药物发现中的作用目前是一个热门话题，并且预测的物理特性的实用性已得到很好的证实，但它们在药物发现测量中并未得到广泛应用。常规生成高通量测量，随后的SPR评估和计算机模拟预测模型的生成应通过设计实验分子提高质量来加快这一进程。