モデル生成のADMEラベルで学習しても実測データで通用
- 研究チームは、ADMEラベルが先行モデルの予測値である大規模な化合物セットを用い、約25のエンドポイントを扱うマルチタスクグラフニューラルネットワークを学習させた。
- このサロゲートモデルを、社内の新規実測データ(前向き検証)と公開の実験データで評価した。
- 複数の物性で予測力を保ち、不確実性推定は信頼性の低い予測を識別でき、実測データでのファインチューニングにより大半のエンドポイントで性能が向上した。
💡 ポイント アブストラクトに基づく見解
予測値の予測で学習すると、教師モデルのバイアスを引き継ぐ恐れがある。実測との相関だけでなく、同じホールドアウト化合物で教師モデルと直接比較した結果を見たい。自分のシリーズなら、学習空間外の新規ケモタイプでも不確実性フラグが機能するかを確かめる。ADMEモデルが崩れやすいのはまさにそこだからだ。
📄 原論文 · Journal of Chemical Information and Modeling (ACS) ↗ Surrogate Machine Learning Models for ADME Prediction: From Synthetic Labels to Experimental Data