基于 PotentialNet 深度特征化的 ADMET 预测阶跃式提升
机器学习
2019-03-29 v1 机器学习
摘要
据估计，候选药物的吸收、分布、代谢、排泄和毒性（ADMET）性质占所有临床试验失败的近 50%。因此，近几十年来预测 ADMET 性质一直是化学信息学和药物化学界极为关注的问题。传统的化学信息学方法，无论学习器是随机森林还是深度神经网络，都利用分子固定的指纹特征表示。相比之下，在本文中，我们通过将每个分子显式表示为图（其中每个节点是一个原子，每条边是一条化学键）来学习与手头每个化学任务最相关的特征。通过对这种显式的分子表示应用图卷积，我们实现了迄今为止我们所知的对 ADMET 性质预测的空前准确度。通过以严格的交叉验证程序和前瞻性分析来挑战我们的方法，我们表明深度特征化更好地使分子预测器不仅能够插值，而且能够外推到化学空间的新区域。
引用
@article{arxiv.1903.11789,
title = {Step Change Improvement in ADMET Prediction with PotentialNet Deep Featurization},
author = {Evan N. Feinberg and Robert Sheridan and Elizabeth Joshi and Vijay S. Pande and Alan C. Cheng},
journal= {arXiv preprint arXiv:1903.11789},
year = {2019}
}
备注
41 pages