以模型生成的ADME标签训练,仍能在真实数据上奏效
- 研究者在一个大型化合物集上训练多任务图神经网络,该数据集的ADME标签本身来自先前模型的预测,涵盖约二十多个终点。
- 随后在新的内部实测数据(前瞻性验证)和公开实验数据上对这些替代模型进行评估。
- 它们在多个性质上保持了预测能力,不确定性估计能识别可靠性较低的预测,用实测数据微调后大多数终点的表现进一步提升。
💡 要点 基于摘要的观点
用“预测的预测”做训练,可能继承教师模型的偏差,所以我想看到在同一批留出化合物上与教师模型的直接对比,而不只是与实测值的相关性。放到我自己的系列上,我会检验不确定性标记在训练空间之外的新骨架上是否仍然有效,因为ADME模型通常正是在那里失效。
📄 原论文 · Journal of Chemical Information and Modeling (ACS) ↗ Surrogate Machine Learning Models for ADME Prediction: From Synthetic Labels to Experimental Data