前进一步 生物活性预测的交叉验证:在药物发现中进行分布外验证

科学领域:

• 计算化学是一种计算化学.
• 药品化学 药品化学 是一个
• 机器学习 机器学习

背景情况:

• 机器学习 (ML) 在材料科学方面的进步提供了准确的属性预测.
• 调整ML用于药物发现需要解决对外分发 (OOD) 数据的潜在验证.
• 在OOD数据上评估模型性能对于现实应用至关重要.

研究的目的:

• 为了评估OOD小分子生物活性预测的k倍 n 步向前交叉验证.
• 在药物发现模型中评估发现收益率和新性错误指标的实用性.
• 提高ML模型在药物发现中的准确性和适用性.

主要方法:

• 实施了 k 倍 n 步向前交叉验证,用于生物活性预测.
• 与传统的随机分割交叉验证进行了k倍 n 步向前交叉验证.
• 分析发现收益率和新性错误,以评估模型性能和适用性.

主要成果:

• 与随机分割相比,K-fold n-step前进交叉验证证明了OOD生物活性预测的准确性提高.
• 这种交叉验证方法更好地反映了现实世界药物发现模型的性能.
• 发现产量和新性错误指标提供了对模型适用性和预测理想生物活性的预测能力的见解.

结论:

• K-fold n-step前进交叉验证比OOD生物活性预测的随机分割更有效.
• 发现收益率和新性误差是评估药物发现模型的有价值指标.
• 建议将k-fold n-step forward交叉验证和这些指标集成到最先进的生物活性预测模型中.