Benchmarking Data Augmentation Strategies for Drug--Target Interaction Prediction under Class Imbalance: A Controlled Comparative Study
本研究针对类别不平衡情况下的药物-靶点相互作用预测，对十四种数据增强策略进行了受控基准分析，结果表明，在提高四个蛋白质家族的 F1 分数和 PR-AUC 方面，边界感知清洗（boundary-aware cleaning）和潜在结构感知增强（latent-structure-aware augmentation）的表现优于过采样。
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
在生物学那浩瀚而寂静的图书馆中，存在着一个驱动现代医学的核心问题：哪些化合物会与哪些蛋白质结合，从而改变疾病？这就是药物-靶点相互作用（drug-target interaction）的领域，科学家们试图在这个领域绘制出潜在药物与其旨在修复的生物机制之间那场“隐形握手”的图谱。挑战并不在于数据的匮乏，而在于平衡的缺失。在现实世界中，已证实的相互作用极其罕见，就像在数百万把无用的钥匙中寻找几把能打开特定锁具的钥匙一样。绝大多数可能的配对要么是未知的，要么是已知无效的。这种极度的不平衡为计算机模型制造了盲点，它们往往会为了追求常见的、安全的匹配，而忽略了那些稀有的、重要的匹配。为了解决这个问题，研究人员长期以来一直试图通过向模型展示更多稀有匹配的例子来对其进行训练，即人工创造新的数据点来填补空白。但一个关键问题仍然存在：凭空捏造数据究竟是有所帮助，还是只会让模型感到困惑？
蒙特利尔泰洛克大学（TELUQ University）和蒙特利尔大学健康中心（CHUM Research Center）的研究团队致力于通过一项严谨且受控的实验来回答这个问题。他们不仅仅是提出了一种新方法，而是构建了一个测试平台，用以比较十四种不同的合成数据创建策略。这些策略涵盖了从简单的现有样本复制粘贴，到尝试从零开始发明全新的、合理的药物-蛋白质配对的复杂生成模型。该团队将这些方法应用于四类不同的蛋白质家族——酶、G蛋白偶联受体、离子通道和核受体——并使用了一个作为领域通用语言的标准基准数据集。他们确保每种方法都在完全相同的条件下进行测试，使用相同的数据拆分和最终的预测引擎，从而使结果成为公平的比较，而非孤立轶事的集合。
研究结果呈现出令人惊讶的细微差别。研究人员发现，并没有一种适用于所有情况的“最佳”数据增强方法。事实上，最先进、最高科技的方法并不总能优于简单、陈旧的技术。对于某些蛋白质家族，最好的结果来自于基础方法，即仅仅调整样本数量或清理不同类别数据之间的重叠边缘。在其他情况下，利用高级数学学习底层数据结构并创造新样本的复杂生成模型，在某些特定指标上提供了轻微的提升，但它们并不能保证更好的整体预测。其中一项最重要的发现是，底层数据的表征质量比用于生成新样本的方法更为重要。如果计算机最初理解药物和蛋白质的方式很弱，那么无论多少合成数据都无法修复最终的预测。
这项研究还强调了评估这些模型时的一个关键权衡。当研究人员强行使训练数据达到完美平衡（即相互作用对与非相互作用对的数量相等）时，模型往往在寻找稀有相互作用方面表现更好，但在避免误报方面表现较差。相反，保持数据的自然不平衡状态有时会产生更可靠的整体结果。团队发现，对于某些蛋白质家族，最佳性能并非由最复杂的生成式人工智能实现，而是通过一种尊重数据自然结构的平衡方法实现的。他们得出结论：增加人工数据并不是能自动改善药物研发的“灵丹妙药”。相反，这些技术的成功在很大程度上取决于特定的生物学背景、初始数据表征的质量以及预测的具体目标。这项工作提供了一次必要的现实检查，表明在预测药物如何运作的过程中，细致、受控的实验往往比单纯生成更多数据能带来更好的洞察。
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。