基于注意力池化与贝叶斯学习的类药分子准确、可靠且可解释的溶解度预测
生物大分子
2022-10-14 v1 人工智能
机器学习
摘要
在药物发现中，水溶液溶解度是一项重要的药代动力学性质，影响药物的吸收与 assay 可用性。因此，溶解度的计算机预测因其虚拟筛选与先导化合物优化的效用而受到研究。近来，使用实验数据的机器学习（ML）方法颇为流行，因为量子力学和分子动力学等基于物理的方法由于计算成本而不适用于高通量任务。然而，ML 方法在数据匮乏条件下会出现过拟合问题，大多数化学性质数据集正是如此。此外，ML 方法被视为黑盒函数，难以解释隐藏特征对输出的贡献，阻碍了构效关系的分析与修饰。为解决上述问题，我们开发了带有自注意力读出层的贝叶斯图神经网络（GNNs）。与大多数在节点更新中使用自注意力的 GNN 不同，在读出层应用自注意力使模型既能提升预测性能，又能识别原子级重要性，这可辅助先导优化，文中以三种 FDA 批准药物为例说明。同时，贝叶斯推断使我们能依据溶解度预测任务中的不确定性区分准确与不太准确的结果。我们期望这一准确、可靠且可解释的模型可用于药物开发中更审慎的决策与各类应用。
引用
@article{arxiv.2210.07145,
title = {Accurate, reliable and interpretable solubility prediction of druglike molecules with attention pooling and Bayesian learning},
author = {Seongok Ryu and Sumin Lee},
journal= {arXiv preprint arXiv:2210.07145},
year = {2022}
}