为分子性质预测赋予置信度

引言：计算建模在过去几十年中迅速发展，特别是用于预测化学、材料科学和药物设计中的分子性质。近来，机器学习技术已成为从现有数据集学习并对未见分子进行预测的一种强大且经济高效的策略。相应地，数据驱动技术的爆发式增长提出了一个重要问题：可以为分子性质预测赋予何种置信度，以及可使用何种技术达到该目的？涵盖领域：在本工作中，我们讨论与药物设计相关的分子性质预测的流行策略、其相应的不确定性来源以及量化和置信度评估的方法。首先，我们对置信度评估的考量始于数据集偏差与规模、数据驱动的性质预测和特征设计。接下来，我们详细讨论通过分子对接进行性质模拟，以及结合自由能模拟。最后，我们研究这些不确定性如何传播到生成模型，因为它们通常与性质预测器耦合。专家意见：在探索巨大化学空间时，计算技术对于降低暴力实验的 prohibitive 成本与耗时至关重要。我们认为，只要部署依赖高通量虚拟筛选的闭环药物设计活动，评估性质预测模型中的不确定性就是必不可少的。相应地，考虑不确定性来源会带来更明智的实验验证、更可靠的预测以及对整个工作流程更现实的期望。总体而言，这增加了对预测和设计的置信度，并最终加速了药物设计。