简化管道效率:一种新型的无模型技术,用于加速条件生成和虚拟选管道.

科学领域:

• 计算化学是一种计算化学.
• 药物的发现和开发.
• 在药理学中的机器学习.

背景情况:

• 识别关键疾病的新型治疗剂是一个重大挑战.
• 目前的方法,如高通量选和虚拟选,往往是低效和耗时的.
• 机器学习模型可以模拟对接函数以更快地识别药物候选物,但面临数据稀缺问题.

研究的目的:

• 提出一种基于主动学习的模型,以增强分子生成架构.
• 在使用预训练模型时,解决发电管道中的模型退化问题.
• 提高识别具有高结合亲和度的药物样分子的效率和准确性.

主要方法:

• 开发了一个与分子生成架构集成的积极学习框架.
• 利用不确定性采样来从生成的分子中动态学习.
• 专注于从化学空间的不同区域取样的分子.

主要成果:

• 提出的积极学习模型显著改善了分子生成.
• 与基线模型相比,实现了70%的运行时间改进.
• 与基线预言相比,只需要标记30%的分子,同时保持高结合亲和力.

结论:

• 积极学习有效地补充了药物发现的生成模型.
• 该方法减轻了化学空间数据稀缺区域的模型退化.
• 提供一种更快,更有效的方法来识别潜在的治疗药物.