ConfRank:通过对联培训改善GFN-FF符合者排名
Christian Hölzer1, Rick Oerder2,3, Stefan Grimme1
1Mulliken Center for Theoretical Chemistry, University of Bonn, Beringstr. 4, 53115 Bonn, Germany.
Journal of chemical information and modeling
|November 20, 2024
概括
机器学习方法ConfRank通过使用对联训练显著改善了药物发现的分子符合者排名. 这种方法提高了准确性和速度,在识别低能耗适配器方面表现优于现有的方法.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 机器学习 机器学习
背景情况:
- 符合性排名对于药物发现至关重要,但目前的方法在速度和准确性方面存在局限性.
- 强力计算的限制阻碍了大规模的选应用.
研究的目的:
- 介绍 ConfRank,一种用于增强符合者排名的机器学习方法.
- 提高识别低能分子对应物的准确性和效率.
主要方法:
- 开发了机器学习模型ConfRank,利用对联训练.
- 利用DimeNet++架构在大型数据集 (GEOM,QM9) 上进行训练.
- 使用各种指标 (RMSD,斯皮尔曼相关性) 对GFN-FF和GFN2-xTB的评估性能.
主要成果:
- ConfRank 减少了对联 RMSD 从 5.65 到 0.71 kcal mol-1.1 的时间.
- 在识别最低能耗对应物方面,达到高达81%的准确性,明显优于现有方法.
- 与GFN2-xTB相比,已经证明了高达100倍的运行时间加速.
- 提高了斯皮尔曼相关性至0.90,将标志翻转概率降低到7%.
结论:
- ConfRank提供了一个具有成本效益和可扩展的解决方案,用于准确的符合者排名.
- 配对训练方法显著提高了排名表现,尽管对绝对能量的预测可能有很小的影响.
- 在药物发现和 (生物) 分子结构分析方面,ConfRank显示出有前途的应用.


