领域知识与多模态对智能分子性质预测的影响：一项系统综述
机器学习
2024-07-01 v3 计算工程、金融与科学
生物大分子
摘要
分子性质的精确预测对于药物开发的进步至关重要，特别是在虚拟筛选和化合物优化方面。近年来引入的大量基于深度学习的方法在增强分子性质预测（MPP）方面显示出显著潜力，尤其是在提高准确性和对分子结构的洞察力方面。然而，出现了两个关键问题：整合领域知识是否能提高分子性质预测的准确性？采用多模态数据融合是否比单一数据源方法产生更精确的结果？为探究这些问题，我们基于各种基准全面回顾并定量分析了最近的深度学习方法。我们发现，整合分子信息显著改善了回归和分类任务的分子性质预测（MPP）。具体而言，通过均方根误差（RMSE）降低衡量的回归改进最高达4.0%，而通过受试者工作特征曲线下面积（ROC-AUC）衡量的分类改进最高达1.7%。我们还发现，用一维SMILES丰富二维图可将回归任务的多模态学习性能提升高达9.1%，而用三维信息增强二维图可将分类任务的性能提升高达13.2%，两者均使用ROC-AUC衡量。这两个整合的见解为药物发现的未来进展提供了关键指导。
引用
@article{arxiv.2402.07249,
title = {Impact of Domain Knowledge and Multi-Modality on Intelligent Molecular Property Prediction: A Systematic Survey},
author = {Taojie Kuang and Pengfei Liu and Zhixiang Ren},
journal= {arXiv preprint arXiv:2402.07249},
year = {2024}
}