Niedrig-datenbasierte Arzneimittelforschung mit One-Shot-Lernen

Neuere Fortschritte im maschinellen Lernen haben wichtige Beiträge zur Arzneimittelforschung geleistet. Insbesondere tiefgreifende neuronale Netze (Deep Neural Networks) haben gezeigt, dass sie bei der Vorhersage von Eigenschaften und Aktivitäten kleiner Moleküle einen erheblichen Leistungsschub bieten. Allerdings wurde die Anwendbarkeit dieser Techniken durch die Notwendigkeit großer Mengen an Trainingsdaten eingeschränkt. In dieser Arbeit zeigen wir, wie One-Shot-Lernen verwendet werden kann, um die Datenmengen erheblich zu reduzieren, die für sinnvolle Vorhersagen in Anwendungen der Arzneimittelforschung erforderlich sind. Wir stellen eine neue Architektur vor, das residuale LSTM-Embedding, das in Kombination mit graphkonvolutionellen neuronalen Netzen (Graph Convolutional Neural Networks) die Fähigkeit erheblich verbessert, sinnvolle Distanzmetriken über kleine Moleküle zu lernen. Wir veröffentlichen alle in dieser Arbeit eingeführten Modelle als Open-Source-Teil von DeepChem, einem Open-Source-Framework für tiefes Lernen in der Arzneimittelforschung.