Auto-ADMET：用于化学 ADMET 属性预测的有效且可解释的 AutoML 方法
生物大分子
2025-02-25 v1 人工智能
机器学习
摘要
机器学习 (ML) 在过去几年中在药物发现中发挥了重要作用，通过提供（预）筛选工具来优先考虑化合物，以通过湿实验室实验。药物发现中的主要 ML 任务之一是构建定量结构活性关系 (QSAR) 模型，将化合物的分子结构与活性或性质关联。这些性质包括吸收、分布、代谢、排泄和毒性 (ADMET)，是建模化合物在有机体中的行为、活性和相互作用的关键因素。尽管存在许多方法，但大多数方法都不提供适当的模型个人化，导致偏差和对新数据的泛化性不足，因为化学空间通常会因应用程序的不同而发生变化。这一事实导致在模型对完全新数据进行测试时，预测性能较低。自动机器学习 (AutoML) 领域的出现旨�解决此问题，输出针对手头数据的定制 ML 算法。尽管这是一项重要任务，但 AutoML 尚未被广泛用于辅助计算化学和计算化学研究人员，仅有少数与该领域相关的工作。为解决这些挑战，本文介绍 Auto-ADMET，这是一种用于化学 ADMET 属性预测的可解释的演化基于 AutoML 的方法。Auto-ADMET 采用基于语法的遗传编程 (GGP) 方法结合贝叶斯网络模型，在 12 个基准化学 ADMET 属性预测数据集上，对比三种替代方法——标准 GGP 方法、pkCSM 和 XGBOOST 模型——实现了相当甚至更好的预测性能。使用贝叶斯网络模型进行 Auto-ADMET 的演化过程，有助于塑造搜索程序并解释 AutoML 性能的原因。
引用
@article{arxiv.2502.16378,
title = {Auto-ADMET: An Effective and Interpretable AutoML Method for Chemical ADMET Property Prediction},
author = {Alex G. C. de Sá and David B. Ascher},
journal= {arXiv preprint arXiv:2502.16378},
year = {2025}
}