用于药代动力学与毒性预测的可学习加权量子增强多任务学习
机器学习
2025-09-08 v1 人工智能
摘要
ADMET（吸收、分布、代谢、排泄和毒性）预测在药物发现和开发中起着至关重要的作用，可加速新药的筛选和优化。现有方法主要依赖单任务学习（STL），这通常无法充分利用任务之间的互补性。此外，独立训练和推理每个任务需要更多的计算资源。为了解决这些问题，我们提出了一种新的统一量子增强任务加权多任务学习（QW-MTL）框架，专为 ADMET 分类任务设计。QW-MTL 基于 Chemprop-RDKit 主干，采用量子化学描述符以关于电子结构和相互作用的额外信息来丰富分子表示。同时，它引入了一种新颖的指数任务加权方案，将数据集规模先验与可学习参数相结合，以实现跨任务的动态损失平衡。据我们所知，这是第一项在所有 13 个 Therapeutics Data Commons (TDC) 分类基准上系统地进行联合多任务训练的工作，使用排行榜式的数据划分以确保标准化且真实的评估设置。大量实验结果表明，QW-MTL 在 13 个任务中的 12 个上显著优于单任务基线，以最小的模型复杂度和快速的推理实现了高预测性能，证明了量子信息特征和自适应任务加权增强的多任务分子学习的有效性和效率。
引用
@article{arxiv.2509.04601,
title = {Quantum-Enhanced Multi-Task Learning with Learnable Weighting for Pharmacokinetic and Toxicity Prediction},
author = {Han Zhang and Fengji Ma and Jiamin Su and Xinyue Yang and Lei Wang and Wen-Cai Ye and Li Liu},
journal= {arXiv preprint arXiv:2509.04601},
year = {2025}
}