基于QSAR的数据完成框架用于药物发现
机器学习
2024-05-21 v1
摘要
在药物发现中，体外和体内实验揭示了与药物有效性和毒性相关的生化活性。实验数据汇聚成大规模、不断演化且稀疏的数据集。定量结构-活性关系（QSAR）模型，这些模型仅使用化合物的结构信息来预测生化活性，面临着在研究进行的过程中整合不断演化的实验数据的挑战。我们发展了QSAR-Complete（QComp），一个数据完成框架，以解决此问题。基于现有的QSAR模型，QComp利用实验数据中固有的相关性，以提高各种任务的预测准确性。此外，QComp作为引导实验最优序列的工具，通过量化特定终点的统计不确定性减少，从而有助于在药物发现过程中进行理性决策。
引用
@article{arxiv.2405.11703,
title = {QComp: A QSAR-Based Data Completion Framework for Drug Discovery},
author = {Bingjia Yang and Yunsie Chung and Archer Y. Yang and Bo Yuan and Xiang Yu},
journal= {arXiv preprint arXiv:2405.11703},
year = {2024}
}