与全球模型预测性能相比,探索适应性,本地机器学习的潜力:来自拜耳Caco-2透性数据库的案例研究

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
• 药物发现 药物发现

背景情况:

• 机器学习 (ML) 模型预测药物设计的分子性质在扩展和超越五 (eRo5, bRo5) 化学空间的规则.
• 准确预测Caco-2的透性,特别是对于eRo5/bRo5空间中的较大分子,对于全球ML模型来说仍然具有挑战性.

研究的目的:

• 确定一个最佳的ML算法和描述器组合来预测Caco-2的透性.
• 将全球ML模型的性能与适应性局部模型进行对比,以预测Caco-2的透性.

主要方法:

• 使用了LightGBM算法与RDKit分子属性描述器.
• 开发了一种基于所有可用的数据进行训练的全球模型.
• 开发了一个自适应的本地模型,使用Tanimoto指纹相似性来选择训练数据.

主要成果:

• 全球模型证明了高效和准确的Caco-2透性的预测.
• 与全球模型相比,自适应的本地模型只显示了边际性能改进.
• 无法确定局部模型参数化的一般规则,这表明预先选择训练数据是不有利的.

结论:

• 使用LightGBM和RDKit描述符的全球ML模型对于Caco-2透性预测非常有效.
• 适应性本地建模方法在这个特定任务中并不总是优于全球模型.
• 进一步的研究可能将重点放在数据效率模型创建上,而不是复杂的数据选择策略.