Nghiên cứu này đã tiến xa trong việc phát triển mô hình liên quan định lượng - tínhchất (QSPR) để dự đoán độ hóa tan trong nước của các chất giống như thuốc. Bằng cách tíchhợp hồi quy đa biến và kỹ thuật mạng nơ-ron nhân tạo, nghiên cứu đã sử dụng thuật toán đảongược để lựa chọn một cách có chiến lược các chỉ số mô tả phân tử 2D và 3D, dẫn đến việcphát triển một mô hình QSPRMLR tối ưu với k = 23. Mô hình hồi quy mạng nơ-ron nhân tạo(QSPRANN), xuất phát từ các chỉ số đã được chọn của mô hình hồi quy tuyến tính đa biến(QSPRMLR), đã thể hiện khả năng dự đoán nâng cao cho các giá trị logS cả trong nhóm đánhgiá và nhóm dự đoán, mang lại giá trị SE lần lượt là 0.786 và 0.808. QSPRANN đã cải thiệnđáng kể khả năng dự đoán tổng thể của mô hình hồi quy đa biến. Các giá trị thống kê đánh giámô hình QSPRANN cho thấy phù hợp SE = 0.699, R2train = 0.918, và Q2v = 0.878. Các giátrị logS dự đoán từ mô hình QSPRANN tương thích tốt với dữ liệu thực nghiệm, xác nhận tínhtin cậy và chính xác của mô hình phát triển.This research has advanced Quantitative Structure-Property Relationship (QSPR)models for predicting the aqueous solubility of drug-like substances. By integratingmultivariate regression and neural network techniques, the study utilized the backwardalgorithm to strategically select 2D and 3D molecular descriptors, resulting in the developmentof an optimal QSPRMLR model with k = 23. The artificial neural network regression model(QSPRANN), derived from selected descriptors of the multivariable linear regression model(QSPRMLR), demonstrated enhanced predictive capabilities for logS values in both validationand prediction groups, yielding SE values of 0.786 and 0.808, respectively. The QSPRANNsignificantly improved the overall predictability of the multivariate regression model. Statisticalassessments of the QSPRANN model revealed SE = 0.699, R2train = 0.918, and Q2v = 0.878.The predicted logS values from the QSPRANN model align well with experimental data,confirming the reliability and accuracy of the developed model.