Ark-ADMET: endpoint-specific selection of molecular representations and hyperparameters for gradient-boosted ADMET models under the Therapeutics Data Commons benchmark protocol
Ark-ADMET 研究表明，针对单个 ADMET 端点而非在所有任务中应用统一架构来定制分子表示和 CatBoost 超参数，可以在不需要新模型架构的情况下，在 Therapeutics Data Commons 基准测试中获得具有竞争力的或更优越的性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
开发一种新药是一个排除法过程，早在药物变成药片到达药房货架之前，这一过程就已经开始了。科学家必须预测一种化学化合物在人体内的行为，并提出一系列关键问题：它会被肠道吸收吗？它会进入大脑吗？肝脏会将其分解得太快吗，还是它会毒害心脏？这些被称为 ADMET 的特性，决定了一个有前景的分子是成为救命良药，还是成为失败的实验。由于在生物系统中测试这些特性既缓慢又昂贵，研究人员依赖计算机模型来筛选数以千计的候选药物。这些模型充当过滤器，利用数学模式根据分子的形状和化学组成来猜测其命运。然而，它们试图预测的生物过程彼此之间差异巨大；一个有助于预测肝脏毒性的规则，对于预测药物在水中的溶解度可能毫无用处。
多年来，该领域的标准方法是对每一个问题都应用单一、统一的计算机模型。研究人员会采用一种特定类型的分子数学表示方式和一种特定的算法，然后将该设置应用于主要公共数据库中所有二十二种不同的生物测试。这种“一刀切”的方法假设，描述一个分子的最佳方式对于所有其他任务也同样适用。一项新研究挑战了这一假设。被称为 Ark-ADMET 的研究团队认为，由于这些生物学问题如此迥异，用于回答这些问题的工具也应当同样多样化。他们并没有试图为二十二个不同的问题强加同一种配方，而是着手研究为每个特定问题定制方法是否能在不发明全新技术的情况下产生更好的结果。
该团队在治疗数据公社（Therapeutics Data Commons）内开展工作，这是一个用于基准测试不同计算机模型表现的庞大公共数据集。他们专注于二十二个特定的终点，范围从药物在血液中的移动方式到是否会导致肝脏损伤。他们并没有从头开始构建一个新的、复杂的神经网络，而是采用了一个经过验证且可靠的引擎——梯度提升树模型，并将其与一个灵活的选择过程相结合。他们收集了一个用于描述分子的不同工具箱。这个工具箱包括映射原子排列的标准化学指纹、分子的三维形状测量，以及捕捉复杂结构模式的高级计算机生成嵌入。他们还包括一个辅助的、更简单的神经网络，可以与主模型进行融合。
其工作的核心是一个旨在避免偏差的严格选择协议。在许多研究中，研究人员可能会在看到最终测试结果后调整模型，以使数据看起来更好，但这会引入偏差。为了防止这种情况，团队仔细划分了数据。他们使用了一部分特定的数据，称为内部验证集，来决定为二十二个问题中的每一个保留哪些工具。如果新的分子描述组合或对模型设置的微调提高了在该内部集上的得分，他们就会保留它。如果没有提高，他们则沿用之前的版本。至关重要的是，在所有决策锁定之前，他们从未查看过最终的、隐藏的测试数据。这确保了他们观察到的任何改进都是真实的，而非仅仅是运气好的猜测。
结果表明，定制化是有效的。当他们将二十二个独特的、量身定制的模型与公共排行榜的一个冻结快照进行对比时，他们的做法在二十一个可排名的问题中，在七个问题上达到了或超过了现有的最佳得分。在其中三个问题上，他们的得分严格优于以往记录的任何结果。例如，他们提高了对药物在肝微粒体中清除速度以及与血浆蛋白结合能力的预测。研究表明，不存在一套适用于所有问题的“最佳”特征集。对于某些问题，添加三维形状描述会有所帮助；而对于另一些问题，这反而会产生负面影响。对于某些问题，特定类型的基于图的计算机嵌入是必不可少的；而对于另一些问题，它则完全被忽略。在每一个模型中保留下来的唯一特征是一个核心的、标准的化学指纹块，但其他一切都是针对当前任务专门选择的。
有趣的是，这项研究还强调了数据的局限性。表现最好的模型通常是研究人员拥有大量训练样本的模型。在模型排名较低的问题中，数据集往往非常小，包含不到一千个样本。这表明，当学习的数据非常少时，即使是最智能的工具选择也无法轻易找到更好的答案。研究人员还注意到，对于一个涉及药物亲脂性的特定任务，另一种被称为消息传递网络的模型实际上优于他们的树模型，这证明了没有哪一种算法对于所有工作都是最优的。
这些发现为该领域提供了一条务实的路径。研究人员证明，竞争性的表现并不需要发明一种全新的、未经测试的架构，也不需要将单一的特征集强加于每个问题。通过仅仅为每个特定的生物学问题选择正确的现有公开工具组合，他们就取得了顶尖的成果。这种方法尊重了每个生物终点的独特性质。它表明，在未来，预测药物行为最有效的方法可能不是构建一个更大、更复杂的模型，而是更细致地思考在回答每个特定问题时应使用哪些特定的工具。研究结论指出，成功并不需要统一的配方；相反，一种基于严谨验证的定制化方法，为推进药物研发提供了一个强大且易于获取的替代方案。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。