一种用于药代动力学参数预测的集成迁移学习与多任务学习方法
机器学习
2018-12-27 v1 机器学习
摘要
背景：药代动力学评价是药物发现与开发中的关键流程之一。然而，当前的吸收、分布、代谢、排泄预测模型精度仍然有限。目的：本研究旨在构建一种集成迁移学习与多任务学习的方法，以建立定量构效关系模型来预测四种人体药代动力学参数。方法：一个药代动力学数据集包含 1104 种美国 FDA 批准的小分子药物。该数据集包含四个人体药代动力学参数子集（口服生物利用度、血浆蛋白结合率、稳态表观分布容积和消除半衰期）。预训练模型在超过 3000 万条生物活性数据上训练。建立了一种集成迁移学习与多任务学习的方法来增强模型泛化能力。结果：该药代动力学数据集通过改进的 Maximum Dissimilarity 算法结合代表性初始集选择算法与加权距离函数，按 60:20:20 划分为训练、验证与测试三部分。多任务学习技术增强了模型预测能力。集成迁移学习与多任务学习模型展现出最佳精度，因为深度神经网络具有通用特征提取能力，迁移学习和多任务学习改善了模型泛化。结论：首次引入带改进数据集划分算法的集成迁移学习与多任务学习方法用于预测药代动力学参数。该方法可进一步用于药物发现与开发。
引用
@article{arxiv.1812.09073,
title = {An Integrated Transfer Learning and Multitask Learning Approach for Pharmacokinetic Parameter Prediction},
author = {Zhuyifan Ye and Yilong Yang and Xiaoshan Li and Dongsheng Cao and Defang Ouyang},
journal= {arXiv preprint arXiv:1812.09073},
year = {2018}
}