通过使用受限回归标签提升药物发现中的不确定性量化
机器学习
2024-09-09 v1
摘要
在药物发现的早期阶段，对于要 Pursue 的实验决定可能会受到计算模型的影响。由于实验耗时且昂贵，这些决定至关重要。因此，准确量化机器学习预测中的不确定性变得至关重要，以便最佳地使用资源并提高对模型的信任。尽管药物发现的计算方法常常 suffer from 数据有限和稀疏的实验观察，但另外的信息可能以受限标签的形式存在，这些标签提供阈值而非观察的精确值。然而，无法完全利用受限标签的标准方法无法量化不确定性。在本工作中，我们采用基于小样本的贝叶斯方法和高斯模型，并通过使用生存分析中的 Tobit 模型来学习受限标签。我们的结果表明，尽管受限标签提供的是部分信息，但它们对于准确可靠地建模实际制药环境至关重要。
引用
@article{arxiv.2409.04313,
title = {Enhancing Uncertainty Quantification in Drug Discovery with Censored Regression Labels},
author = {Emma Svensson and Hannah Rosa Friesacher and Susanne Winiwarter and Lewis Mervin and Adam Arany and Ola Engkvist},
journal= {arXiv preprint arXiv:2409.04313},
year = {2024}
}