SubDyve：用于增强虚拟筛选并控制假阳性的子图驱动动态传播方法
机器学习
2025-09-23 v1 人工智能
摘要
虚拟筛选（VS）旨在从庞大的化学库中识别生物活性化合物，但在仅有少数活性物质已知的低标签场景下仍然困难重重。现有方法主要依赖通用分子指纹，并忽视了对于生物活性至关重要的类别判别性子结构。此外，它们独立地考虑分子，限制了在低标签场景下的有效性。我们引入了SubDyve，一个基于网络的VS框架，该框架构建了一个子图感知的相似性网络，并从少量已知活性物质中传播活性信号。当可用活性化合物很少时，SubDyve执行迭代种子优化，基于局部错误发现率逐步提升新的候选物。该策略在扩展种子集的同时，控制了来自拓扑偏差和过度扩展的假阳性。我们在零样本条件下对十个DUD-E靶标，以及在一个包含一千万个化合物的ZINC数据集上对CDK7靶标评估了SubDyve。SubDyve持续优于现有的基于指纹或嵌入的方法，在BEDROC指标上实现了高达+34.0的提升，在EF1%指标上实现了高达+24.6的提升。
引用
@article{arxiv.2509.16273,
title = {SubDyve: Subgraph-Driven Dynamic Propagation for Virtual Screening Enhancement Controlling False Positive},
author = {Jungseob Yi and Seoyoung Choi and Sun Kim and Sangseon Lee},
journal= {arXiv preprint arXiv:2509.16273},
year = {2025}
}
备注
33 pages, 12 figures