您可以使用实验测得的logP值来训练ACD / LogP中的算法。提高预测准确性，并使模型与您的化学空间或项目更相关。

即使您不是计算机化学家或软件工程师，也可以对Classic和GALAS算法进行培训。共识模型自动使用应用于基础算法的训练数据.

经典算法

基于> 12,000个实验logP值，经典算法使用了隔离碳的原理。

GALAS算法

GALAS模型是全局的，可根据相似性进行局部调整。该算法基于训练的> 11,000种化合物，并提供logD值，并使用来自最相似化合物的数据进行调整。

Consensus Model

Consensus模型同时使用经典算法和GALAS算法。每种算法在其最可靠执行的化学空间区域中的权重都更大。

在以下情况下，预测的logP可能比实验测得的精度更高：

• logP值超出了传统实验获得的可靠可测量范围（+8到-3.
• 存在互变异构形式。在大多数情况下，无法测量每个互变异构体的logP值。
• 化合物包含酸性和碱性基团（例如氨基酸，肽，核苷）。由于这些分子在任何给定的pH值下均以各种离子形式存在，因此，工会化形式的浓度可以忽略不计。

分配常数（P）是中性（不带电）分子的亲水性（’water-loving’）或疏水性（’water-fearing’）的量度。它代表了化合物在这两个不混溶相（通常是辛醇和水）中差异溶解的趋势。分配系数也称为Kow和辛醇/水分配系数。

LogP预测模型将该值估计为对数比（logP，ClogP或AlogP）。分配系数充当化合物疏水性的定量描述。

与logP（或clogP）相似，logD也是疏水性的描述词，但不仅限于描述中性分子。 LogD是考虑到pH依赖性的可电离化合物疏水性的量度。

疏水性（由logP确定）可以帮助解释或预测化合物的行为，并在许多行业中有用：

药物-LogP帮助药物化学家评估药物的相似性；在药代动力学中，它可以帮助确定ADME概况-药物的吸收能力，成功达到预期目标，被代谢和排泄的能力；并在药效学上了解靶标受体的结合。

农用化学品-Kow值用于帮助开发除草剂和杀虫剂。分区值有助于确定化合物是否会到达其预期的作用位点以及环境污染的可能性。

环境-分配系数用于模拟溶解的疏水性有机物在土壤和地下水中的迁移，以帮助评估水道污染以及对动物和水生生物的毒性。

消费产品-在化妆品，染料，家用清洁剂和许多其他产品的配方中使用了对分区的理解。