Sep, 2023

通过分子指纹组合进行 ADMET 性质预测

PDF
TL;DR通过使用随机森林或支持向量机等与扩展连通性指纹 (ECFP) 相结合的方法，我们发现这些方法在预测小分子效能方面始终表现优于最近开发的方法。进一步研究回归算法和分子指纹发现，梯度提升决策树（尤其是 CatBoost），结合 ECFP、Avalon 和 ErG 指纹以及 200 种分子属性，最为有效。引入图神经网络指纹进一步提升了性能。我们通过在 22 个药物治疗数据共享平台 (Therapeutics Data Commons) 的 ADMET 基准中成功验证了我们的模型。我们的发现突显了丰富的分子表示对于准确预测属性的重要性。
small molecule potenciesrandom forestssupport vector machinesmolecular fingerprintsgraph neural network fingerprint
发现论文，激发创造
  • 分析学习的分子表征进行性质预测

    在分子属性预测的算法解决方案中，神经机器技术的进步导致了一系列算法解决方案，其中神经网络应用于计算分子指纹或专家制作的描述符以及构造学习分子表示的图卷积神经网络最为有效，这项研究进行了广泛的基准测试，并提出了优于现有模型的图卷积模型的实证发现。

    Apr, 2019

  • 现实世界中药物属性预测的当前方法

    预测药物特性在药物发现中是关键，以便在昂贵的临床试验之前减少风险，并更快地找到高活性化合物。尽管机器学习社区对此表现出了兴趣并提出了各种标准数据集和方法，然而对于从业人员而言，目前仍不清楚哪种方法或途径最适用，因为不同的论文以不同的数据集和方法进行基准测试，导致得出的结论各不相同且难以比较。我们的大规模实证研究将不同数据集和方法的众多相关作品联系到一起，从而全面概述了现有的属性类别、数据集及其与不同方法的相互作用。我们强调不确定性量化以及应用这些方法在药物开发决策周期中的时间和成本的重要性。我们发现最佳方法取决于数据集，并且具备经典机器学习方法的工程特征通常优于深度学习。具体而言，经典方法（如高斯过程）通常最适合分析 QSAR 数据集，而树或深度学习方法（如图神经网络或语言模型）有时更适合描述 ADMET 数据集。我们的研究强调了从业人员尚无可靠的、直接可行的程序可供依赖，并为创建与从业人员相关的基准测试案例奠定了先例。深度学习方法必须在这些基准测试案例中得到验证才能成为药物特性预测的实际选择方法。

    Jul, 2023

  • 机器学习药物发现中的小分子性质

    机器学习在药物发现中预测小分子性质方面具有很大潜力。本文提供了对近年来为此目的引入的各种机器学习方法的综合概述，并对结合亲合力、溶解度和 ADMET（吸收、分布、代谢、排泄和毒性）等多个性质预测和优化技术进行了讨论。我们还评估了模型预测方面的技术，特别是在药物发现中关键决策方面提供模型预测理解的技术。总的来说，这篇综述为药物发现中小分子性质预测的机器学习模型提供了深入了解。尽管有多种多样的方法，但它们的性能通常相当。神经网络虽然更加灵活，但并不总是优于更简单的模型。这表明高质量的训练数据对于训练准确的模型仍然至关重要，并且需要标准化的基准、额外的性能指标和最佳实践，以便更好地比较不同技术和模型之间的差异。

    Aug, 2023

  • 从表示学习中暂停：分子性质预测

    本研究对比了随机森林、MolBERT 和 GROVER 三种基于 Extended-Connectivity Fingerprint、SMILES 字符串和分子图的分子表示学习模型，评估了其在 MoleculeNet 数据集和类阿片类物质数据集预测方面的效果，并探讨了数据集分布、活性悬崖、模型评价、任务设定和化学空间泛化等方面对模型效果的影响，旨在为提高该领域人工智能技术贡献可能的思路。

    Sep, 2022

  • PotentialNet 用于分子性质预测

    该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能，包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等，并在多个基于配体的任务中验证了模型性能的创新性。

    Mar, 2018

  • 通过原子力显微镜图像的分子指纹提取进行分子鉴定

    通过使用拓扑指纹描述分子结构并利用深度学习模型进行虚拟筛选，我们能够从三维原子力显微镜堆栈图像中提取最优化的结构描述符，从而实现对分子的识别，识别准确率可达 97.6％。

    May, 2024

  • 化学语言与分子图在多模态融合深度学习中的整合，用于药物性质预测

    准确预测分子性质是药物发现中的一个具有挑战性但必不可少的任务。最近，多模态深度学习方法成功应用于分子性质预测，以克服传统单模态学习方法的局限性并提升模型在准确性、可靠性和抗噪性方面的表现。

    Dec, 2023

  • ToDD: 计算机辅助药物发现中的拓扑化合物指纹

    这篇论文研究了使用多参数持久化同调学习虚拟筛选，在分子结构信息的多个分辨率级别提取其持久同调特征，形成一个多维向量拓扑指纹，并将筛选过程视为一个基于图形排名的问题，实现在药物发现中应用。

    Nov, 2022

  • 领域知识和多模态对智能分子性质预测的影响：一项系统调查

    综合审视和数量分析基于各种基准的最新深度学习方法，我们发现融合分子信息不仅能提高分子属性预测回归和分类任务的准确性，还能通过同时利用 1 维和 2 维信息的 3 维信息大幅增强分子属性预测进展，在药物研发中具有重要指导意义。

    Feb, 2024

  • 机器学习势使用的原子指纹和参考构型的自动选择

    本文介绍了一种自动选择指纹的协议，以便构建既能够在精度和计算效率之间实现最佳平衡，又能够加速高斯近似势的评估的神经网络势。其中展示了应用于水和 Al-Mg-Si 合金的神经网络势构建，并使用高斯过程回归预测小有机分子的形成能。

    Apr, 2018