基于少样本学习的无靶点化合物活性预测
机器学习
2023-11-29 v1 定量方法
摘要
在仅利用少量已知化合物及其活性的情况下，预测化合物对基于蛋白质的或表型测定的活性，是无靶点药物发现中的常见任务。现有的少样本学习方法仅限于预测二元标签（活性/非活性）。然而，在现实世界的药物发现中，化合物活性的程度高度相关。我们研究了少样本化合物活性预测（FS-CAP），并设计了一种新颖的神经架构，以在大型生物活性数据集上元学习连续的化合物活性。我们的模型聚合由已知化合物及其活性生成的编码，以捕获测定信息。我们还为未知化合物引入了一个独立的编码器。我们表明，在多种无靶点药物发现场景和数据集上，FS-CAP 超越了传统的基于相似性的技术以及其他最先进的少样本学习方法。
引用
@article{arxiv.2311.16328,
title = {Target-Free Compound Activity Prediction via Few-Shot Learning},
author = {Peter Eckmann and Jake Anderson and Michael K. Gilson and Rose Yu},
journal= {arXiv preprint arXiv:2311.16328},
year = {2023}
}
备注
9 pages, 2 figures