深度强化学习可以更好地控制虚拟选的基准偏差

科学领域:

• 计算化学和化学信息学
• 药物的发现和开发.
• 医学中的人工智能

背景情况:

• 虚拟查 (VS) 是现代药物发现的组成部分.
• 机器学习 (ML) 正在彻底改变VS,但面临着现有数据集的挑战.
• 当前的基准数据受限于有限的数据量,狭窄的应用领域和固有的偏见.

研究的目的:

• 介绍MUBD^syn,这是一个新的对VS的基准数据集.
• 通过结合合成诱来解决现有基准的局限性.
• 提供一个强大的平台来评估药物发现中的ML模型.

主要方法:

• 开发了MUBD^syn,使用合成诱 (假定是不活跃的).
• 在诱生成过程中使用深度强化学习来控制偏差.
• 进行了广泛的验证,将MUBD^syn与经典基准进行比较.

主要成果:

• MUBD^syn在控制域偏差,人工丰富偏差和模拟偏差方面表现出优越性.
• 使用MUBD^syn对ML模型的评估显示了偏差的减少,包括不对称的验证嵌入偏差.
• 与NRLiSt-BDB相比,MUBD提供了一个更具挑战性和有效的深度学习模型基准.

结论:

• MUBD^syn是虚拟选的一个近乎理想的基准.
• 该基准有效地减轻了传统数据集中存在的偏差.
• MUBD^syn有助于在药物发现中更准确,更可靠地评估ML模型.
• 对于MUBD^syn的计算工具是公开的.