可重复使用性报告:评估元学习基础模型对预测天然产品抗菌活性的性能

科学领域:

• 计算化学是一种计算化学.
• 机器学习是机器学习.
• 药物发现 药物发现

背景情况:

• 深度学习基础模型越来越多地用于生物活性预测.
• 一个基础模型ActFound使用双向学习和元学习来实现高效的微调.
• 自然产品 (NP) 数据集通常很小,这使得它们对传统的深度学习方法具有挑战性.

研究的目的:

• 调查ActFound基金会模型的通用性.
• 为了评估ActFound在抗菌天然产品数据集上的表现,使用少数射击学习.
• 将ActFound与NP生物活性预测的最新模型进行比较.

主要方法:

• 微调ActFound基础模型对抗菌天然产品数据集的微调.
• 采用各种短暂学习设置来评估模型性能.
• 基准测试行为与现有最先进的模型相比.

主要成果:

• 在抗菌NP数据集上,ActFound没有像在其他任务中那样达到相同的准确性.
• ActFound表现出与其他模型相比或优于其性能,特别是在低射线设置中.
• 该模型的有效性被强调为具有有限数据的生物活性预测任务.

结论:

• ActFound 是一个有价值的基础模型用于生物活性预测,特别是对于数据库的稀缺数据.
• 该模型显示,含有类似化合物的天然产品数据集具有特别的实用性.
• 短暂的学习能力使ActFound适合解决药物发现中的数据限制.