Ein adaptiver Graph-Lernverfahren zur automatisierten Vorhersage molekularer Wechselwirkungen und Eigenschaften

Die Verbesserung der Effizienz der Arzneimittelentdeckung stellt eine zentrale und langfristige Herausforderung in der Arzneimittelentwicklung dar. Um diesem Ziel gerecht zu werden, wurden zahlreiche Graph-Lernverfahren entwickelt, um potenzielle Arzneimittelkandidaten schnell und kostengünstig zu identifizieren. Tatsächlich hat die Fokussierung auf hohe Vorhersageleistung auf einer begrenzten Anzahl von Datensätzen zu einer Verfestigung der Architekturen und Hyperparameter dieser Methoden geführt, wodurch ihr Vorteil bei der Repurposing-Verwendung für neue in der Arzneimittelentwicklung generierte Daten verloren ging. In dieser Arbeit stellen wir eine flexible Methode vor, die sich an beliebige Datensätze anpassen und präzise Vorhersagen liefern kann. Die vorgeschlagene Methode nutzt einen adaptiven Pipeline-Ansatz, um aus einem Datensatz zu lernen und einen Vorhersager zu generieren. Ohne jegliche manuelle Eingriffe erreicht die Methode auf allen getesteten Datensätzen eine deutlich bessere Vorhersageleistung als herkömmliche Methoden, die auf handgestalteten neuronalen Architekturen und anderen festen Komponenten basieren. Darüber hinaus zeigte sich, dass die vorgeschlagene Methode robuster ist als traditionelle Ansätze und zudem eine sinnvolle Interpretierbarkeit bietet. Angesichts dieser Vorteile kann die vorgeschlagene Methode als zuverlässige Methode zur Vorhersage molekularer Wechselwirkungen und Eigenschaften mit hoher Anpassungsfähigkeit, Leistungsfähigkeit, Robustheit und Interpretierbarkeit dienen. Diese Arbeit stellt einen wesentlichen Schritt in Richtung der Unterstützung von Forschern bei der effizienten Entwicklung besserer Arzneimittel dar.