🤖 machine learning

SPADE: Faster Drug Discovery by Learning from Sparse Data

该论文介绍了SPADE，这是一种新颖的算法，它利用稀疏数据高效识别新型蛋白质的高质量配体，从而显著加速药物发现过程，平均仅需40次测试即可找到10个成功候选分子，同时在样本效率和评分速度方面均优于深度学习和贝叶斯优化方法。

原作者： Rahul Nandakumar, Ben Fauber, Deepayan Chakrabarti

发布于 2026-05-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Rahul Nandakumar, Ben Fauber, Deepayan Chakrabarti

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你是一位寻宝猎人，正在一个堆满数百万块普通岩石的巨大仓库中，寻找一颗特定且极其罕见的宝石。这本质上就是药物发现的写照：当科学家试图为某种特定蛋白质（我们体内的一种微小机器，一旦损坏就会引发疾病）寻找新药时，情况正是如此。

以下是SPADE的故事，这是一种新方法，旨在比现有方法更快、更便宜地找到这些“宝石”（有效的药物分子）。

问题：大海捞针

在药物发现领域，科学家拥有一份包含数百万种潜在候选物（配体）的清单。然而，其中**不到 5%**的候选物表现足够好，足以进入下一阶段。对于科学家从未研究过的全新蛋白质，他们没有任何先验数据，必须从零开始。

寻找这些宝石的传统方式是一个缓慢且昂贵的循环，称为DMTA（设计、制造、测试、分析）：

挑选几个候选物。
在实验室中构建它们。
测试它们与目标蛋白质的结合程度。
分析结果并挑选下一批。

目标是用尽可能少的测试找到10 颗高质量宝石（结合力强的分子）。但由于“好”分子如此罕见（就像在 100 块岩石中找到 1 颗宝石），且仓库如此巨大，传统方法往往浪费时间去测试那些明显无用的岩石。

旧方法：猜测每块岩石的价值

以前的方法试图扮演一个超精准的评估师。它们试图在挑选要测试的岩石之前，预测仓库中每一块岩石的确切“价值”（结合强度）。

缺陷：在数据点如此稀少、仓库如此巨大且复杂的情况下，试图猜测每一块岩石的确切价值会导致困惑和错误。这就像只看过两栋房子，却试图预测城市中每一栋房子的确切价格。这太难了，也太慢了。

新方法：SPADE（“优于其余”过滤器）

作者提出了SPADE（用于加速药物探索的稀疏数据预测）。SPADE 不再试图做一个评估每一块岩石的完美评估师，而是充当一个智能过滤器。

类比：“前十名”游戏
想象你在玩一个游戏，需要在数百万人的联赛中找出前 10 名最佳选手。

旧方法：你试图计算联赛中每一位选手的确切技能分数。
SPADE 方法：你不在乎普通选手的确切分数。你只关心一个问题：“这位新选手是否比我们要找到的目前第 10 名选手更好？”

如果答案是“是”，你就继续测试他们。如果答案是“否”，你就忽略他们。

SPADE 如何运作（秘密武器）

SPADE 利用两个巧妙的技巧来处理数据如此稀缺的事实：

关注赢家，而非输家：
SPADE 不试图从数百万块“坏”岩石中学习，而是完全专注于它目前找到的那几块“好”岩石。它为当前的顶级候选物中的每一个构建一个特殊的过滤器。它会问：“这块新岩石是否具备我们目前最佳岩石的那些特殊特征？”
“模糊”安全网（鲁棒性）：
由于好例子太少，计算机可能会感到困惑，仅仅因为运气好就认为一块随机的坏岩石是好的（过拟合）。为了防止这种情况，SPADE 使用了一个数学上的“模糊”区域。
- 想象飞镖靶上的靶心。 SPADE 不是说“你必须正中靶心才能获胜”，而是说：“如果你击中靶心周围这个圆圈内的任何地方，你就是获胜者。”
- 这有助于计算机学习好药物的一般模式，而不会被随机噪声误导。即使数据极度稀缺，这种方法也非常稳健。

结果：速度与效率

该论文在 100 种不同的蛋白质上测试了 SPADE，并将其与现有的最佳方法（如贝叶斯优化和深度学习）进行了比较。

测试更少：为了找到 10 种高质量药物，SPADE 所需的测试次数比竞争对手减少了 7% 到 32%。平均而言，它仅用40 次测试就找到了 10 种好药物。
评分更快：当需要检查数百万个候选物以确定下一步测试哪些时，SPADE 比其最接近的竞争对手快 10 倍。
无需先验知识：即使科学家事先对目标蛋白质一无所知，它也能完美运作。

核心结论

SPADE 改变了游戏规则，它阻止科学家去预测不可能的事情（每一单个分子的价值），转而专注于一个更简单、更聪明的目标：寻找比我们已找到的最佳分子更好的分子。

这就像意识到你不需要知道体育场里每个人的确切身高就能找到最高的人；你只需要一种方法，能快速识别出任何比当前纪录保持者更高的人。这种方法在创造救命药物的早期阶段节省了时间、金钱和资源。

技术摘要：SPADE——通过从稀疏数据中学习加速药物发现

问题定义
本文针对早期药物发现中的关键低效问题，具体为在缺乏先验数据的情况下，识别新型靶蛋白的高亲和力配体的挑战。该过程被框架化为“竞速至 k"（race-to-k）问题：使用尽可能少的设计 - 合成 - 测试 - 分析（DMTA）循环，找出结合亲和力（以 pIC50 或 PIC 衡量）超过特定阈值（例如 PIC ≥ 8 或 8.5）的 k 个配体。

该设定提出了四个根本性挑战：

巨大的搜索空间：数百万个候选配体由高维嵌入（2,048 维）表示。
极端的稀疏性：少于 5% 的候选者在早期筛选中成功；对于新型蛋白，模型从零标记数据开始，必须从顺序采集的自适应观测中学习。
信号不平衡：“正类”（高亲和力配体）极小，在当前数据集中通常仅由 k-1 个配体组成。
高通量需求：算法必须在每个循环中对 $10^5$ 到 $10^6$ 个未测试配体进行评分，这需要极高的计算速度。

标准方法，如贝叶斯优化（估计亲和力和不确定性）或深度学习，在此处难以奏效，因为在高维、数据稀疏的区间内难以进行准确估计，且对数百万候选者进行评分的计算成本高昂。

方法论：SPADE
所提出的算法 SPADE（用于加速药物探索的稀疏数据预测）通过采用基于分类的选择策略，偏离了标准的亲和力估计方法。

分类优于估计：SPADE 不预测每个配体的连续 PIC 值，而是专注于一个更简单的任务：预测候选配体是否能超越当前第 k 个最佳配体。这直接优化了改进 top-k 集合的目标。
稀疏性下的鲁棒学习：为了处理极端的不平衡（其中正类极小），SPADE 并不在少数正例上最小化经验风险。相反，它为当前 top-k 中的每个配体训练一个独立的鲁棒分类器 $C_i$ $C_{i}$ 。
- 对于具有嵌入 $x_i$ 的正类配体 $i$ ，分类器被训练以将 $x_i$ 与所有负类配体（ $S^-$ ）区分开来。
- 关键在于，正类的损失函数被定义为以 $x_i$ 为中心的高斯分布上的期望损失（ $N(x_i, \sigma^2 I)$ ），而不是该点本身的损失。这作为一个原则性的正则化项，防止过拟合噪声，并鼓励模型学习稳定的模式。
- 作者推导出了该期望损失的闭式表达式（定理 3.1），消除了采样的需要，确保了计算效率。
评分与选择：在每个 DMTA 循环中，SPADE 通过对当前 top 配体上训练的分类器输出进行加权求和，对未测试配体进行评分。得分最高的配体被选入下一个实验循环。
实现细节：该算法限制了任何单一高性能配体的影响，防止其主导未来过多循环的选择。超参数（如鲁棒性参数 $\sigma$ ）被证明是不敏感的，允许在不针对每种蛋白进行调整的情况下保持一致的性能。

主要贡献

问题定义：将新型蛋白的早期药物发现构建为稀疏的、顺序的“竞速至 k"问题。
算法创新：引入基于分类的选择方法，用针对超越当前 top-k 的预测取代全局亲和力估计。
鲁棒正则化：推导高斯分布上的闭式期望损失，以在不采样的情况下处理极端类别不平衡和噪声。
数据集构建：构建了一个新的 150 万条目的 PubChem 衍生数据集，用于在现实稀疏条件下基准测试顺序配体发现。
实证验证：证明了在 100 种蛋白上，SPADE 持续优于最先进（SOTA）的基线方法。

实验结果
作者在 100 种蛋白上评估了 SPADE 与贝叶斯优化方法（如 GP-UCB、GP-EI、GP-PI 等高斯过程变体）、深度学习模型（TabPFN、TabM）以及标准分类器（XGBoost、MLP）的表现。

样本效率：SPADE 一致地需要更少的配体测试即可达到目标 PIC。对于目标 PIC 为 8 的情况，SPADE 平均仅需 29–40 次测试。与最接近的竞争对手相比，SPADE 在样本效率（所需测试次数更少）上实现了7%–32% 的中位数提升。
胜率：在直接比较中，SPADE 是“更可靠”的方法（在大多数蛋白上显著比随机更频繁地获得第一名），特别是在目标 PIC 为 8 和 8.5 时。
计算速度：在对候选配体进行评分时，SPADE 比其最接近的竞争对手（GP-PI）快 10 倍。虽然高斯过程方法评分 $10^6$ 个配体需要约 39 秒，但 SPADE 仅需约 4 秒。
鲁棒性：该方法对配体嵌入的选择（ECFP、MACCS、ChemBERTa）具有鲁棒性，并且对大多数超参数不敏感，鲁棒性参数 $\sigma$ 除外。
失败模式：仅当目标 PIC 极其罕见时（例如 PIC ≥ 9，其中少于 0.5% 的配体满足标准），SPADE 才未能达到目标。

意义与主张
本文主张 SPADE 为新型蛋白药物发现中的“大海捞针”问题提供了一种实用解决方案。通过将目标从估计连续分布转变为鲁棒地识别顶级表现者，SPADE 实现了显著的成本和时间节约。作者强调，该方法能够从极度稀疏的数据中学习而无需先验蛋白信息，结合其高通量速度，使其成为加速药物发现早期阶段的可行工具。结果表明，SPADE 可以用少至 40 次测试识别出 10 个高质量配体，这一成就在效率和速度上均超越了现有的深度学习和贝叶斯优化方法。