通过深度迁移与表示学习改进化合物活性分类
机器学习
2022-03-14 v2 人工智能
生物大分子
摘要
分子机器学习的最新进展，尤其是用于预测结构活性关系（SAR）的图神经网络（GNNs）等深度神经网络，在计算机辅助药物发现中展现出巨大潜力。然而，此类深度神经网络的适用性受限于对大量训练数据的需求。为应对目标任务训练数据有限的问题，近期已采用 SAR 建模的迁移学习来利用相关任务数据中的信息。本工作中，与预训练等流行的基于参数的迁移学习不同，我们开发了新颖的深度迁移学习方法 TAc 与 TAc-fc，以利用源域数据并将有用信息迁移至目标域。TAc 学习生成能从一个域良好泛化至另一域的有效分子特征，并提升目标域中的分类性能。此外，TAc-fc 通过引入新组件扩展 TAc，以选择性地学习特征级与化合物级的迁移能力。我们使用来自 PubChem 的生物活性筛选数据，识别出 120 对生物测定，其中每对中的活性化合物相较于其非活性化合物彼此更为相似。我们的实验清晰表明，TAc 在大量目标任务上相较所有基线取得显著提升。此外，尽管 TAc-fc 平均 ROC-AUC 略逊于 TAc，但在 PR-AUC 与 F1 方面，TAc-fc 在更多任务上取得优于其他模型的最佳性能。总之，TAc-fc 也被发现是一个强模型，在相当数量的目标任务上具有与 TAc 相当甚至更优的性能。
引用
@article{arxiv.2111.07439,
title = {Improving Compound Activity Classification via Deep Transfer and Representation Learning},
author = {Vishal Dey and Raghu Machiraju and Xia Ning},
journal= {arXiv preprint arXiv:2111.07439},
year = {2022}
}
备注
This manuscript has been accepted at ACS Omega