单一多任务模型预测全部 ADMET 性质,兼顾天然产物
- hdADMET 是一个单一的多任务模型:先用异质网络把化合物、已知药物、实测 ADMET 数据及各终点之间的关系连接起来,再将学到的嵌入输入基于核的深度神经网络。
- 研究在公开生物活性数据集和天然产物数据集上采用留出法验证,未报告前瞻性实验验证。
- 其性能与领先的多任务基线相当,但计算成本低得多,并对文献中挖掘的新天然产物做了画像,筛出一个值得后续验证的候选物。
💡 要点 基于摘要的观点
“以更低算力达到相当性能”,前提是留出集按骨架或聚类划分;公开 ADMET 数据上的随机划分会奖励近邻检索,而把化合物与已知药物相连的网络尤其容易发生这类泄漏。用到我们的系列之前,我会在内部数据的时间划分上,与 chemprop 等多任务基线做对比,并检查模型在远离训练空间的天然产物骨架上的校准情况。
📄 原论文 · Journal of Chemical Information and Modeling (ACS) ↗ Large-Scale and Systematic Prediction of ADMET Properties through Heterogeneous Network and Kernel-Based Deep Learning