利用可解释人工智能的预测洞见减轻药物开发中的分子聚集

Jun, 2023

利用可解释人工智能的预测洞见减轻药物开发中的分子聚集

Mitigating Molecular Aggregation in Drug Discovery with Predictive Insights from Explainable AI

Hunter Sturm, Jonas Teufel, Kaitlin A. Isfeld, Pascal Friederich, Rebecca L. Davis

TL;DR为了快速发现药物和训练机器学习模型，本文提出了一种基于图神经网络和反事实方法的分子聚集预测方法，以防止高通量筛选中的假阳性结果。

Abstract

As the importance of high-throughput screening (HTS) continues to grow due to its value in early stage drug discovery and data generation for training machine learning models, there is a growing need for robust m

high-throughput screening false-positive hits predictive pre-screening tools molecular aggregation machine learning

发现论文，激发创造

利用神经过程应对试验异质性，显著提高生物活性预测

模型利用异质性药效数据的信息协同，成功应对了试剂异质性，极大地提高了不同蛋白质靶点和试剂类型的亲和力预测，从而在早期药物发现中实现了大规模虚拟筛选。

Aug, 2023

SAF：用于揭示原子重要性排名和提高药物发现中预测率的智能聚合框架

利用图神经网络中的一种新的聚合方法，通过非线性加权的玻尔兹曼分布改善传统融合方法的局限性，以提高黄金标准信息传递神经网络对抗生素活性的预测能力，并实现对结果的节点级解释性。

Sep, 2023

分子性质的机器学习：局部性和主动学习

本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

Sep, 2017

子集选择与知情图神经网络的相互作用

使用领域知识为 Qm9 数据集的分子离子化能量预测选择高效的训练集和 ML 技术，通过最大化训练集中分子的多样性，提高线性和非线性回归技术（如核方法和图神经网络）的鲁棒性，并基于速率扭曲解释框架的模型不可知解释器来检查图神经网络的预测可靠性。

Jun, 2023

学习物理学为基于结构的虚拟筛选提供姿态敏感性

该研究针对药物发现中存在的问题，通过新的模型和基准测试，实现了在结构虚拟筛选中成功识别生物活性配体的目标，并克服了深度学习方法不敏感于蛋白质 - 配体相互作用的限制。

Oct, 2021

扩散模型中的合成数据改善药物发现预测

人工智能在药物研发的各个阶段中得到了越来越多的应用。我们提出了一个新的数据挑战，即数据集常常相互独立收集，缺乏重叠部分，导致数据稀疏。为解决这一挑战，我们提出了一种新颖的扩散图神经网络模型 Syngand，可以全面生成配体和药物动力学数据。利用我们的 Syngand 模型，我们展示了一种用于现有配体采样药物动力学数据的方法学。我们在 AqSolDB、LD50 和 hERG central 等下游回归任务上展示了 Syngand 生成的合成靶标属性数据的初步有效结果。使用我们提出的模型和方法，研究人员可以轻松生成合成配体数据，以帮助他们探索涉及跨多个数据集的研究问题。

May, 2024

异质催化吸附能量的可解释性数据驱动建模

通过将机器学习技术与可解释人工智能（XAI）相结合，我们的研究旨在构建一个坚固的框架，利用 OC20 等大型数据集，通过模型可解释性来改进催化剂设计。

May, 2024

大规模预训练提高了基于主动学习的分子虚拟筛选的样本效率

预训练的基于转换器的语言模型和图神经网络在贝叶斯优化主动学习框架中表现良好，仅通过筛选超大型库中的 0.6％，可以识别到排名前 50000 位化合物的 58.97％，与先前的最先进基准相比提高了 8％，在结构基础和配体基础药物发现中具有卓越的性能，可提高基于主动学习的分子虚拟筛选的准确性和样本效率。

Sep, 2023

朝着更具归纳性的药物重用方法的世界迈进

该研究通过对当前的药物靶标相互作用预测数据集和预测模型进行深入评估，发现基于推导模型的药物靶标相互作用预测方法缺乏泛化性，已有的评估方法导致性能夸大，因此不适用于药物再利用方法。鉴于此，提出了一种新颖的生物学驱动的负边缘子采样策略，并通过体外验证表明新发现的相互作用确实是真实的。该研究为未来公平的基准测试和稳健的模型设计奠定了基础。所有生成的资源和工具都作为 Python 软件包公开可用。

Nov, 2023

药物协同作用预测的新方法

本文通过探索基于高通量组合筛选的新的药物组合协同性预测方法，总结了 2021 年以来发表的三十多种原始机器学习方法，其中绝大多数基于深度学习技术。我们旨在通过突出核心技术、数据来源、输入数据类型、以及方法中使用的协同性评分、预测场景和评估协议，对这些论文进行统一的观察。我们发现，最好的方法能够准确解决已知药物或细胞系参与的协同性预测，然而当涉及到新的药物或细胞系时，准确预测的水平仍然有待提高。

Apr, 2024