Meta-QSAR：元学习在药物设计与发现中的大规模应用
人工智能
2017-09-13 v1 机器学习
摘要
我们将定量结构活性关系（QSAR）的学习作为元学习的一个案例研究来进行调查。该应用领域具有最高的社会重要性，因为它是新药开发的关键步骤。标准的QSAR学习问题是：给定一种靶标（通常是蛋白质）和一组具有相关生物活性（例如对靶标的抑制）的化合物（小分子），学习从分子表示到活性的预测映射。尽管几乎所有类型的机器学习方法都已应用于QSAR学习，但尚无公认的唯一最佳QSAR学习方式，因此该问题领域非常适合于元学习。我们首先进行了史上最全面的QSAR学习的机器学习方法比较：18种回归方法、6种分子表示，应用于超过2700个QSAR问题。（这些结果已在OpenML上公开，并代表了用于测试新颖元学习方法的宝贵资源。）然后我们研究了算法选择对于QSAR问题的效用。我们发现这种元学习方法平均比最佳单个QSAR学习方法（使用分子指纹表示的随机森林）高出至多13%。我们得出结论，元学习在QSAR学习上优于基学习（base-learning）方法，并且由于该调查是有史以来对基学习和元学习方法最广泛的比较之一，它为元学习相对于基学习的普遍有效性提供了证据。
引用
@article{arxiv.1709.03854,
title = {Meta-QSAR: a large-scale application of meta-learning to drug design and discovery},
author = {Ivan Olier and Noureddin Sadawi and G. Richard Bickerton and Joaquin Vanschoren and Crina Grosan and Larisa Soldatova and Ross D. King},
journal= {arXiv preprint arXiv:1709.03854},
year = {2017}
}
备注
33 pages and 15 figures. Manuscript accepted for publication in Machine Learning Journal. This is the author's pre-print version