扩展活动悬崖驱动的数据分割方法用于研究生物活性的机器学习预测
Kenneth López-Pérez1, Ramón Alain Miranda-Quintana1
1Department of Chemistry and Quantum Theory Project, University of Florida, Gainesville, Florida 32611, USA.
Molecular informatics
|November 19, 2024
概括
活动悬崖 (ACs) 对定量结构-活动关系 (QSAR) 建模提出了挑战. 本研究介绍了分析交流分布的方法,发现均分布提高了模型性能,尽管随机分割仍然是概括的最佳方法.
科学领域:
- 计算化学计算化学
- 化学信息学 化学信息学
- 定量结构-活动关系 (QSAR) 建模
背景情况:
- 众所周知,活动悬崖 (ACs) 在定量结构-活动关系 (QSAR) 建模中构成重大挑战.
- 机器学习 (ML) QSAR模型高度依赖数据,对化学数据的分布敏感,包括ACs.
研究的目的:
- 调查在训练和测试集中的活动悬崖分布对ML QSAR模型性能的影响.
- 提出和评估扩展相似性和扩展结构-活动关系 (SALI) 方法来分析ACs.
主要方法:
- 扩展相似度指标的开发和应用.
- 开发和应用扩展的SALI (结构-活动关系) 方法.
- 分析非均与均的交流分布对模型错误的影响.
主要成果:
- 活动悬崖和化学空间的不均分布导致与均分布相比,模型性能较差.
- 在富含活动悬崖的数据集上进行机器学习建模需要仔细,逐案分析.
- 提出的方法作为数据集分析的有价值的工具.
结论:
- 数据集分割策略显著影响ML QSAR模型的性能,特别是在活动悬崖的存在下.
- 交换机和化学空间的均分布通常会提高模型质量.
- 与其他经过测试的分割替代方案相比,随机数据分割显示出总体上优越的概括性能.
