計算・AI創薬 Journal of Chemical Information and Modeling (ACS)
フィンガープリント類似度の事前知識が分子言語モデルの埋め込みをより化学的に忠実にする
- SAGAは学習時のみの正則化手法で、カーネルアライメントを用いてモデルの分子埋め込みをフィンガープリントに基づく類似度に整合させる。パラメータの追加も、推論時のフィンガープリント計算も不要である。
- 既存の2つの分子–テキストモデルに組み込み、検索、類縁体探索、スキャフォールド分割での物性予測、記述生成、分子生成について後ろ向きに評価した。
- 検索、類縁体の質、平均的な物性予測が向上し、他のタスクで明確な劣化は見られなかった。対照実験により、改善は事前知識の化学的内容に起因することが示された。
ポイント アブストラクトに基づく見解
推論時のコストがないので試しやすく、対照実験は最も説得力のある部分だ。とはいえ、Tanimotoに整合させた埋め込みが、類似性を重視する類縁体探索やスキャフォールド分割の平均値で良く見えるのは当然である。SARでの利用を考えるなら、フィンガープリント類似度が最も不適切な事前知識となるアクティビティクリフ対での結果が決め手になる。
原論文: Journal of Chemical Information and Modeling (ACS) ↗ Classical Structural Priors Improve Neural Molecular Representations in Molecule Language Models