在汇总的ChEMBL类数据上,同一实验内的化合物排序优于绝对活性值预测
- 公开生物活性数据按实验来源聚集,因此仅预测训练实验的平均活性,对同一实验的化合物也能取得出人意料的好表现。
- 作者主张,在汇总数据上,模型应优先考虑实验内的化合物排序能力,而非预测绝对数值。
- 在三个源自ChEMBL的数据集上,用同一实验数据训练的排序模型优于IC50回归模型,也优于用任意化合物集合训练的排序模型。
💡 要点 基于摘要的观点
如果同一实验的均值就是很强的基线,那么在合并的ChEMBL数据上做随机划分的基准,多半是在奖励实验来源的信息泄漏,其中报告的R²我会打个问号。采用之前,先看它在没有同实验锚点的新实验或新骨架上是否仍然成立。实际用法更适合先导优化:每个实验先测少量化合物,再给其余化合物排序。
Assay-Based Machine Learning: Rethinking Evaluation in Drug Discovery ↗