基于相似性量化相对差异学习的分子活性预测
机器学习
2025-01-17 v1
摘要
分子活性的精准预测对于高效药物发现至关重要, 但由于数据有限且噪声较大, 仍然面临挑战. 我们引入 Similarity-Quantized Relative Learning (SQRL), 一种将分子活性预测重新表述为 structurally similar 对 compound 对之间相对差异学习的框架. SQRL 使用预计算的分子相似性来增强图神经网络及其他架构的训练, 在药物发现中常见的低数据 regime 中显著提高准确率和泛化能力. 通过在公共数据集以及专有行业数据上进行基准测试, 我们展示了其广泛的适用性和实际潜力. 我们的发现表明, 利用基于相似性的相对差异提供了一种有效的分子活性预测范式.
关键词
引用
@article{arxiv.2501.09103,
title = {Similarity-Quantized Relative Difference Learning for Improved Molecular Activity Prediction},
author = {Karina Zadorozhny and Kangway V. Chuang and Bharath Sathappan and Ewan Wallace and Vishnu Sresht and Colin A. Grambow},
journal= {arXiv preprint arXiv:2501.09103},
year = {2025}
}