Scoreformer：用于大规模预测结合得分的代理模型
机器学习
2024-06-26 v2 人工智能
生物大分子
摘要
本研究提出了 ScoreFormer，一种新型图变换模型，旨在准确预测分子结合得分，从而优化药物发现中的高通量虚拟筛选（HTVS）。该架构集成了主导邻域聚合（PNA）和可学习随机漫步位置编码（LRWPE），增强了模型理解复杂分子结构及其与相应结合得分关系的能力。由于覆盖更广的化学空间和提升的性能，该方法在恢复率和效率方面均显著优于传统 HTVS 方法和最新的图神经网络（GNN）模型。我们的结果表明，ScoreFormer 在结合得分预测中实现了具竞争力的性能，并相较于现有模型实现了约1.65倍的推理时间降低。我们在多个数据集下进行评估，确认了其在 various conditions 下的鲁棒性和可靠性，能够快速识别潜在的药物候选物。
引用
@article{arxiv.2406.09346,
title = {Scoreformer: A Surrogate Model For Large-Scale Prediction of Docking Scores},
author = {Álvaro Ciudad and Adrián Morales-Pastor and Laura Malo and Isaac Filella-Mercè and Victor Guallar and Alexis Molina},
journal= {arXiv preprint arXiv:2406.09346},
year = {2024}
}
备注
Accepted at the 1st Machine Learning for Life and Material Sciences Workshop at ICML 2024