梯度提升在结合亲和力预测中的高性能表现
机器学习
2022-05-17 v1
摘要
蛋白质-配体(PL)结合亲和力的预测仍是药物发现的关键。近年来流行的方法涉及图神经网络(GNNs),用于学习PL复合物的拓扑与几何结构。然而,GNNs计算量大,且对图规模的可扩展性差。另一方面,传统的机器学习(ML)方法,如梯度提升决策树(GBDTs),轻量且在表格数据上极为高效。我们提出在GBDT中使用PL相互作用特征以及PL图级特征。我们表明该组合优于现有方案。
引用
@article{arxiv.2205.07023,
title = {High Performance of Gradient Boosting in Binding Affinity Prediction},
author = {Dmitrii Gavrilev and Nurlybek Amangeldiuly and Sergei Ivanov and Evgeny Burnaev},
journal= {arXiv preprint arXiv:2205.07023},
year = {2022}
}