تُعد الطرق الحاسوبية مفيدة في تسريع وتيرة اكتشاف الأدوية. يشمل اكتشاف الأدوية عدة مراحل، مثل تحديد الهدف وتأكيده، واكتشاف المركبات الأساسية (Lead Discovery)، وتحسين المركبات الأساسية (Lead Optimisation) وغيرها. وفي مرحلة تحسين المركبات الأساسية، يتم تقييم خصائص امتصاص المركبات وانتشارها وتحللها وإخراجها، فضلاً عن سُميتها. ولحل مشكلة التنبؤ بسمية وقابلية الذوبان في المركبات الأساسية، تم تمثيل هذه المركبات باستخدام صيغة إدخال السلاسل الجزيئية المبسطة (SMILES). من بين الطرق المختلفة التي تعمل على بيانات SMILES، تم بناء النموذج المقترح باستخدام نهج قائم على التسلسل. ويُعد النموذج المقترح، وهو شبكة LSTM ثنائية الاتجاه (BiLSTM)، نسخة مُعدّلة من الشبكة العصبية التكرارية (RNN)، حيث تقوم بمعالجة التسلسل الجزيئي المدخل لتحليل شامل للخصائص البنائية للجزيئات من كلا الاتجاهين: الأمامي والعكسي. ويهدف العمل المقترح إلى فهم الأنماط التسلسلية المُشفرة في سلاسل SMILES، والتي تُستخدم بعدها للتنبؤ بسمية الجزيئات. وقد تفوق النموذج المقترح على النماذج السابقة مثل Trimnet والشبكات العصبية الرسومية المُدرّبة مسبقًا (GNN) على مجموعة بيانات ClinTox، حيث حقق دقة ROC بلغت 0.96. كما تفوق BiLSTM على النماذج السابقة في مجموعة بيانات FreeSolv، بقيمة RMSE منخفضة بلغت 1.22 في تنبؤ قابلية الذوبان.