[논문 리뷰] Accurate ADMET Prediction with XGBoost

Hao Tian, Rajas Ketkar외 1명|arXiv (Cornell University)|2022. 04. 15.

Computational Drug Discovery Methods인용 수 4

한 줄 요약

이 논문은 Therapeutics Data Commons(TDC) ADMET 벤치마크에서 최신 기술 수준 성능을 달성한 XGBoost 기반의 ADMET 예측을 제안한다. 분자 프린트와 기초 특성의 앙상블을 사용하며, 22개 작업 중 11개에서 1위를 기록하고 21개에서 상위 3위 이내를 차지한다. 결과는 https://ai-druglab.smu.edu/admet 에서 공개된 ADMETboost 웹 서버를 통해 접근할 수 있다.

ABSTRACT

The absorption, distribution, metabolism, excretion, and toxicity (ADMET) properties are important in drug discovery as they define efficacy and safety. In this work, we applied an ensemble of features, including fingerprints and descriptors, and a tree-based machine learning model, extreme gradient boosting, for accurate ADMET prediction. Our model performs well in the Therapeutics Data Commons ADMET benchmark group. For 22 tasks, our model is ranked first in 18 tasks and top 3 in 21 tasks. The trained machine learning models are integrated in ADMETboost, a web server that is publicly available at https://ai-druglab.smu.edu/admet.

연구 동기 및 목표

• 약물 발굴에서 ADMET 성질을 예측하기 위한 고정확도 기계학습 모델 개발.
• 다양한 데이터셋으로 인한 모델 평가의 일관성 문제를 해결하기 위해 통합된 TDC 벤치마크를 사용.
• 다양한 분자 특성—프린트와 특성—을 하나의 강력한 예측 모델에 통합.
• XGBoost의 앙상블 학습 및 특성 선택 기능을 활용해 기존 방법보다 예측 성능을 향상.
• 학습된 모델을 사용해 신속한 ADMET 예측을 제공하는 공개 웹 서버 제공.

제안 방법

• 모델은 MACCS, 확장 연결성, Mol2Vec, PubChem, Mordred, RDKit 등 6종의 피처라이저 앙상블을 사용한다.
• 분자의 SMILES가 이 6종의 피처라이저를 통해 특성 벡터로 변환되어 구조적 및 물리화학적 성질을 캡처한다.
• 정규화된 목적 함수를 사용해 과적합을 최소화하면서 XGBoost가 통합된 특성 세트를 학습한다.
• 목적 함수는 손실 항과 정규화 항 Ω(f) = γT + (λ/2)Σω²의 조합이며, 트리의 복잡도를 제어한다.
• 성능 최적화를 위해 랜덤 그리드 서치 교차검증을 통해 초모델 하이퍼파rameter를 조정한다.
• 학습된 모델는 SMU의 고성능 컴퓨팅 자원을 활용해 웹 서버에 배포된다.

실험 결과

연구 질문

• RQ1 다양한 분자 프린트와 특성을 앙상블하면 ADMET 예측 정확도가 향상되는가?
• RQ2 표준화된 TDC ADMET 벤치마크에서 XGBoost는 다른 기계학습 모델보다 어떻게 비교되는가?
• RQ3 어느 분자 특성이 ADMET 예측 성능에 가장 크게 기여하는가?
• RQ4 단일 통합 모델이 다양한 ADMET 작업에서 최상위 성능을 달성할 수 있는가?
• RQ5 모든 특성 대비 Mordred 특성만을 사용했을 때 XGBoost의 성능는 어떻게 되는가?

주요 결과

• XGBoost 모델은 TDC 벤치마크에서 22개 ADMET 작업 중 11개에서 최고 순위를 기록했다.
• 22개 작업 중 21개에서 상위 3위 이내로 순위를 유지하여 일관된 고성능을 입증했다.
• 모든 ADMET 작업에서 Mordred 특성이 가장 중요한 특성 유형이었으며, 그 다음으로 Mol2Vec과 원형 프린트가 뒤이었다.
• Mordred 특성만을 사용했을 때, HIA, AqSol, PPBR 3개 작업에서 전체 특성 모델을 초월했지만, 대사 및 배설 작업에서는 성능이 열 劣했다.
• https://ai-druglab.smu.edu/admet 에 호스팅된 웹 서버 ADMETboost는 2D 및 3D 분자 구조를 시각화하여 몇 초 내로 예측을 제공한다.
• 본 연구는 XGBoost가 다양한 분자 특성에서 효과적으로 학습하여 향상된 ADMET 예측이 가능하다는 것을 입증했다.