观点:机器学习看到的是分子的表示而非分子本身,应以可问责性为标准
- 这是一篇不含新数据集或基准的Perspective,考察机器学习模型在结构式、SMILES、指纹、图、构象、模拟系综和语言模型词元等形式下实际接收到的信息。
- 文章指出分子和生物活性标签都只是“表示”,互变异构的歧义、立体化学、活性悬崖、异质标签及生成模型的失败,都是这种双重简化的结果。
- 作者提出以可问责性为标准:明确实体定义、记录实验来源、校准不确定性并进行前瞻性测试,同时给出带对照的扰动测试,以区分表示损失与模型自身局限。
💡 要点 基于摘要的观点
凡是见过模型因SMILES重新枚举而改变预测的人,对大部分内容都不陌生,真正可用的是扰动测试这个思路。放到我们自己的项目里,我会在相信任何基准提升之前先跑一遍:随机化SMILES、替换互变异构体或质子化状态,看误差跟着表示走还是跟着模型走。不过没有前瞻性数据,这类Perspective本身说不清哪些修正真正有效。
📄 原论文 · Journal of Chemical Information and Modeling ↗ Ceci n’est pas le benzène: The Treachery of Chemical Representations in Machine Learning for Drug Discovery