返回
Explainable Active Learning Framework for Ligand Binding Affinity Prediction
DOI:10.1039/D5DD00436E.png)
摘要
En 中文
主动学习(AL)在实验或模拟预算有限时,优先确定下一步应测量哪些化合物以评估蛋白质-配体亲和力。我们提出了一种基于高斯过程回归的可解释AL框架,并评估了分子表示、协方差核以及采集策略在四种药物相关靶点上的富集效果。通过评估顶级活性化合物的召回率,我们发现数据集的特异性(即靶点的化学景观)决定了性能上限,而方法选择则调节而非颠覆结果。带有简单高斯过程核的指纹方法能提供稳健、低方差的富集效果,而带有非线性核的学得嵌入方法虽然能达到更高的峰值,但具有更大的变异性。不确定性引导的采集策略持续优于随机选择,但并无单一策略普适最优,最佳选择取决于构效关系(SAR)的复杂性。为超越黑箱选择,我们整合了SHapley加性解释(SHAP)以将高影响指纹位映射为化学可解释片段,并在AL循环中揭示模型焦点如何聚焦于SAR相关基序。我们发布了一个带有SHAP轨迹的交互式AL运行分析平台,以支持可重复性和靶点特定的决策制定。
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.6
论文数:
1.0K
被引数:
3.0K
机构
暂无机构信息
引用论文
Learning Binding Affinities via Fine-Tuning of Protein and Ligand Language Models通过微调蛋白质和配体语言模型学习结合亲和力
Machine learning-based classification models for non-covalent Bruton's tyrosine kinase inhibitors: predictive ability and interpretability
MOLECULAR DIVERSITY
IF3.8
Machine Learning-Assisted Iterative Screening for Efficient Detection of Drug Discovery Starting Points机器学习辅助的迭代筛选用于高效发现药物发现起始点

