在公平调参与无泄漏划分下,没有哪类模型能在所有ADMET终点上胜出
- 研究在Therapeutics Data Commons的六项ADMET任务上，比较了图神经网络、冻结的预训练编码器和指纹基线，采用骨架划分、各类模型相同的调参预算、仅用验证集选择以及多随机种子中位数。
- 各类模型之间的差异多数落在随机种子波动范围内，没有任何方法占据优势。指纹在若干终点上表现有竞争力，而GNN唯一明显的优势来自额外加入的描述符，而非图表示本身。
- 若用测试集选择优化器或只报告单次最佳结果，会夸大表面优势，这支持按终点选择模型，并采用控制数据泄漏的评估方式。
💡 要点 基于摘要的观点
加入描述符后，GNN唯一明显的优势看起来来自特征化而非图结构，这让我对不少已报道的GNN收益打上问号。只有六个公开TDC任务、没有前瞻性验证，对我自己的化学系列说明有限。真正值得带走的是那份清单：同等调参预算、仅用验证集选择、多种子中位数，拿来审视供应商的宣称很方便。
Task-Dependent Performance of GNNs and Pretrained Models in ADMET Prediction ↗