論文単位で分割すると、キラル分離予測の機械学習の見かけの性能が消える:問題はモデルよりデータ構造
- 最大の公開キラルクロマトグラフィーデータセットを、数百の出典論文と多数のカラムにまたがる1万組超のエナンチオマー対に整理した。
- ランダム分割では溶出順の予測は偶然よりかなり良く見えたが、論文単位の留一分割では論文内置換のヌルと同程度まで低下した。
- 分散の多くは論文間に由来し、記録された条件からは予測できず、残りの大半は特定不能な分子×条件の相互作用とノイズだった。
- ボトルネックはデータ構造にあるとし、条件メタデータ、系統的なグリッド、反復測定、失敗の記録を求めている。
💡 ポイント アブストラクトに基づく見解
今週のADMETやペプチドのリーク監査と同じ教訓が分析化学でも現れた。モデルが次のラボに移せるかは、分子単位ではなく出典単位のグループ分割で初めて分かる。文献データからキラル分離法の順位付けや保持予測をしているなら、事前分布以上は期待しないほうがよい。実行可能なのは末尾のデータ収集チェックリストだ。