用于药物发现的偏好多目标贝叶斯优化
机器学习
2025-03-24 v1 人机交互
生物大分子
摘要
尽管自动化配体筛选取得了数十年的进展，大规模药物发现仍然资源密集，并且需要后处理命中物选择——化学家根据化学直觉手动挑选少数有前景的分子的步骤。这在药物发现的虚拟筛选过程中造成了主要瓶颈，要求专家在大量候选物中反复平衡药物属性之间的复杂权衡。为了提高该过程的效率和可靠性，我们提出了一种名为CheapVS的新型以人为中心的框架，允许化学家通过成对比较提供关于药物属性权衡的偏好，从而指导配体选择过程。我们的框架将偏好多目标贝叶斯优化与用于测量结合亲和力的对接模型相结合，以捕捉人类化学直觉，从而改进命中物识别。具体而言，在针对EGFR和DRD2的10万个化学候选物库中，CheapVS在有限计算预算内识别药物方面优于最先进的筛选方法。值得注意的是，我们的方法在仅筛选库的6%时，可以恢复多达16/37个EGFR和37/58个DRD2已知药物，展示了其显著推进药物发现的潜力。
引用
@article{arxiv.2503.16841,
title = {Preferential Multi-Objective Bayesian Optimization for Drug Discovery},
author = {Tai Dang and Long-Hung Pham and Sang T. Truong and Ari Glenn and Wendy Nguyen and Edward A. Pham and Jeffrey S. Glenn and Sanmi Koyejo and Thang Luong},
journal= {arXiv preprint arXiv:2503.16841},
year = {2025}
}