[論文レビュー] ADMET property prediction through combinations of molecular fingerprints

James H. Notwell, Michael W. Wood|arXiv (Cornell University)|Sep 29, 2023

Computational Drug Discovery Methods被引用数 7

ひとこと要約

本稿では、拡張接続性フィンガープrint（ECFP）、Avalon、ErG、および200種類の分子性質を組み合わせたCatBoost回帰を用いて、ADMET特性を予測する機械学習モデルを提案する。このモデルは、22のTherapeutics Data Commonsベンチマークのうち6つでトップ1の性能を達成し、16つでトップ3の性能を示しており、豊富な分子表現がディープラーニングモデルを上回る予測精度を顕著に向上させることを示している。

ABSTRACT

While investigating methods to predict small molecule potencies, we found random forests or support vector machines paired with extended-connectivity fingerprints (ECFP) consistently outperformed recently developed methods. A detailed investigation into regression algorithms and molecular fingerprints revealed gradient-boosted decision trees, particularly CatBoost, in conjunction with a combination of ECFP, Avalon, and ErG fingerprints, as well as 200 molecular properties, to be most effective. Incorporating a graph neural network fingerprint further enhanced performance. We successfully validated our model across 22 Therapeutics Data Commons ADMET benchmarks. Our findings underscore the significance of richer molecular representations for accurate property prediction.

研究の動機と目的

• 深層ニューラルネットワークに依存せずに、小分子のADMET特性を予測する堅牢で汎用性の高いモデルの開発。
• 従来の機械学習手法を用い、複数の分子フィンガープrintを統合することで、最先端のディープラーニングモデルを上回るADMET予測性能を達成できるかの検証。
• 複数のフィンガープリントタイプと分子記述子を統合することで、予測性能に与える影響の評価。
• 標準化されたベンチマークを用いて、モデルの多様なADMETタスクへの汎用性を検証。
• グラフニューラルネットワーク（GNN）のフィンガープリントを統合することで、統一された特徴表現フレームワーク内での性能向上の可能性の探求。

提案手法

• 本モデルは、ECFP、Avalon、ErGフィンガープリントおよび200種類の分子性質を組み合わせた特徴表現を用いたCatBoost回帰を採用。
• 特徴工学には、複数のフィンガープリントタイプと分子量、環数などの数値的分子記述子の連結を含む。
• 汎用性を確保するため、特定の日付以降にプロファイルされた分子を最終テストセットとして確保する時間的分割バリデーション戦略を採用。
• ハイパーパrameter最適化にはOptunaを用い、統合の容易さを考慮して実用的な調整にはLightGBMを活用。
• 神経的フィンガープリントの強化を検証するため、教師ありマスキングを施したグラフ同型性ネットワーク（GIN）を特徴セットに追加。
• Therapeutics Data Commonsの22のADMETベンチマークを用いて、平均絶対誤差とランクベース比較によるモデル性能の評価。

Figure 1: Relative performance of the MapLight model, with (orange) and without (yellow) GNN fingerprints, compared to the current TDC leaderboards (dark blue). Bar heights and error bars correspond to the mean and standard deviation across 5 random seeds.

実験結果

リサーチクエスチョン

• RQ1 複数の分子フィンガープリントを統合した従来の機械学習モデルは、ADMET特性予測においてディープラーニングモデルを上回ることができるか？
• RQ2 ECFP、Avalon、ErGの複数のフィンガープリントタイプを統合することで、個々のフィンガープリントと比較して予測精度がどの程度向上するか？
• RQ3 フィンガープリントに加えて分子性質を統合することで、モデルの性能はどの程度向上するか？
• RQ4 グラフニューラルネットワーク（GNN）のフィンガープリントを追加することで、多様なADMETタスク全体での性能向上が見られるか？
• RQ5 タスク固有の微調整なしに、1つの統一されたモデルが22の異なるADMET予測ベンチマークに汎用的に適応できるか？

主な発見

• ECFP、Avalon、ErGフィンガープリントおよび200種類の分子性質を統合したCatBoostモデルは、Therapeutics Data Commonsの22のADMETベンチマークのうち6つでトップ1の性能を達成した。
• 同じモデルは22のベンチマークのうち16つでトップ3の性能を達成し、多様なADMETタスクにわたる強力な汎用性を示した。
• GIN（グラフ同型性ネットワーク）のフィンガープリントを追加することで性能が向上し、22のベンチマークのうち11つでトップ1、19つでトップ3の成績を収めた。
• ハイパーパrameterの徹底的な最適化を行ったが、デフォルトのLightGBMやCatBoost設定を上回る顕著な改善は得られず、CatBoostのランダム強度の調整のみが有効であった。
• 時間的分割バリデーションにおいてもモデルの性能が一貫しており、時間的データドリフトに強く、過学習のリスクが低いことが示された。
• 事前学習済みの大規模データセットを用いたChemprop、ChemBERTa、Groverなどのディープラーニングモデルでさえ、フィンガープリントベースの従来手法が優れていることが判明した。