高通量虚拟筛选流程中的最优决策
最优化与控制
2023-01-05 v2 机器学习
摘要
在包括药物发现和材料设计在内的各类科学与工程问题中，频繁需要高效计算筛选具备所需性质的分子候选物。然而，包含候选物的搜索空间巨大，且高保真性质预测模型的计算成本可观，使得筛选在实践中颇具挑战。本工作中，我们提出一个用于构建并优化由多保真度模型组成虚拟筛选（HTVS）流程的通用框架。其核心思想是最优分配计算资源给具有不同成本与精度的模型，以优化计算投资回报率（ROCI）。基于模拟及真实数据，我们证明所提出的最优 HTVS 框架可显著加速筛选，且在精度上几乎无任何退化。此外，它实现了 HTVS 的自适应操作策略，可权衡精度与效率。
引用
@article{arxiv.2109.11683,
title = {Optimal Decision Making in High-Throughput Virtual Screening Pipelines},
author = {Hyun-Myung Woo and Xiaoning Qian and Li Tan and Shantenu Jha and Francis J. Alexander and Edward R. Dougherty and Byung-Jun Yoon},
journal= {arXiv preprint arXiv:2109.11683},
year = {2023}
}