[論文レビュー] Therapeutics Data Commons: Machine Learning Datasets and Tasks for Therapeutics

Kexin Huang, Tianfan Fu+8 more|arXiv (Cornell University)|Feb 18, 2021

Computational Drug Discovery Methods参考文献 6被引用数 25

ひとこと要約

Therapeutics Data Commons (TDC) は、22 つの治療的タスクにまたがる 66 個の機械学習対応データセットを統合するオープンソースフレームワークであり、システマティックなモデル評価、データ処理、分子生成を可能にします。バイオメディカルおよび臨床応用への移行を促進するための標準化されたツール、リーダーボード、データ分割を提供することで、アルゴリズム的イノベーションを加速します。

ABSTRACT

Machine learning for therapeutics is an emerging field with incredible opportunities for innovation and expansion. Despite the initial success, many key challenges remain open. Here, we introduce Therapeutics Data Commons (TDC), the first unifying framework to systematically access and evaluate machine learning across the entire range of therapeutics. At its core, TDC is a collection of curated datasets and learning tasks that can translate algorithmic innovation into biomedical and clinical implementation. To date, TDC includes 66 machine learning-ready datasets from 22 learning tasks, spanning the discovery and development of safe and effective medicines. TDC also provides an ecosystem of tools, libraries, leaderboards, and community resources, including data functions, strategies for systematic model evaluation, meaningful data splits, data processors, and molecule generation oracles. All datasets and learning tasks are integrated and accessible via an open-source library. We envision that TDC can facilitate algorithmic and scientific advances and accelerate development, validation, and transition into production and clinical implementation. TDC is a continuous, open-source initiative, and we invite contributions from the research community. TDC is publicly available at this https URL.

研究の動機と目的

• 機械学習における治療的分野の標準化された統合データセットおよび評価フレームワークの欠如に対処する。
• ドラッグディスカバリーや開発をカバーする多様な治療的データセットを体系的に収集・整理する。
• モデル検証と臨床実装を加速するための統合されたエコシステム（ツール、データプロセッサ、評価戦略）を提供する。
• リーダーボードを用いた意味のあるデータ分割とベンチマークによる再現可能でシステマティックなモデル評価を可能にする。
• コミュニティ主導の貢献を促進し、長期的な科学的インパクトを実現するためのフレームワークの拡張と持続可能性を確保する。

提案手法

• ドラッグディスカバリーやトキシシティ予測、パーソナライズド・フォルマセーティクスを含む、多様な治療的分野から 66 個の機械学習対応データセットを収集する。
• ターゲット同定から臨床結果までをカバーする、22 個の標準化された学習タスクを定義する。
• データのシームレスなアクセス、前処理、モデル評価を可能にするモジュラーなオープンソースライブラリを実装する。
• 分子生成のためのデータプロセッサとオラクルを統合し、ドラッグデザインにおける生成的AIアプリケーションを支援する。
• データ漏洩を防ぎ、現実的なモデル評価を保証するため、化合物、ターゲット、時間軸ごとのシステマティックなデータ分割を実施する。
• モデルのパフォーマンスをタスクおよびデータセットごとにベンチマークするためのリーダーボードと評価プロトコルを開発する。

実験結果

リサーチクエスチョン

• RQ1 統合フレームワークは、治療的分野における機械学習の再現性とベンチマーク評価をどのように向上させるか？
• RQ2 多様な治療的データセットを機械学習用に体系的に収集・整理するにあたり、どのような主な課題が存在するか？
• RQ3 システマティックなデータ分割と評価プロトコルは、モデルの汎化性能と臨床的関連性をどのように向上させるか？
• RQ4 標準化されたツールとコミュニティ貢献は、ドラッグディスカバリーニューロンのイノベーションをどの程度加速できるか？
• RQ5 中央集権的でオープンソースのエコシステムは、治療的分野における生成的・識別的両方のモデルを効果的に支援できるか？

主な発見

• TDC は、22 つの治療的タスクにまたがる 66 個の収集済み・機械学習対応データセットへのアクセスを提供し、ドラッグディスカバリーや開発への広範な応用を可能にしている。
• フレームワークには、データ漏洩を低減し、モデルの汎化性能を向上させる標準化されたデータ分割と評価プロトコルが含まれている。
• TDC は、オラクルを含む分子生成用のツールを統合し、新規治療薬の設計における生成的AIを支援している。
• オープンソースライブラリにより、データセット、データプロセッサ、評価ワークフローのシームレスな統合が可能となり、再現性のある研究が実現されている。
• TDC はコミュニティ貢献を支援しており、プラットフォームの継続的拡張と長期的持続可能性を確保している。
• エコシステムには、多様な治療的タスクにおける機械学習モデルのベンチマークと比較を促進するリーダーボードと評価戦略が含まれている。