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

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

Computational Drug Discovery Methods被引用数 145

ひとこと要約

Therapeutics Data Commons (TDC) は、薬剤探索および開発のための 66 の AI-ready データセットを 22 の学習タスクで提供し、評価ツール、分子生成オラクル、リーダーボード、そして Python ライブラリを提供します。

ABSTRACT

Therapeutics machine learning is an emerging field with incredible opportunities for innovatiaon and impact. However, advancement in this field requires formulation of meaningful learning tasks and careful curation of datasets. Here, we introduce Therapeutics Data Commons (TDC), the first unifying platform to systematically access and evaluate machine learning across the entire range of therapeutics. To date, TDC includes 66 AI-ready datasets spread across 22 learning tasks and spanning the discovery and development of safe and effective medicines. TDC also provides an ecosystem of tools and community resources, including 33 data functions and types of meaningful data splits, 23 strategies for systematic model evaluation, 17 molecule generation oracles, and 29 public leaderboards. All resources are integrated and accessible via an open Python library. We carry out extensive experiments on selected datasets, demonstrating that even the strongest algorithms fall short of solving key therapeutics challenges, including real dataset distributional shifts, multi-scale modeling of heterogeneous data, and robust generalization to novel data points. We envision that TDC can facilitate algorithmic and scientific advances and considerably accelerate machine-learning model development, validation and transition into biomedical and clinical implementation. TDC is an open-science initiative available at https://tdcommons.ai.

研究の動機と目的

• AI-ready 治療薬データの必要性と標準化された学習タスクの必要性を動機づける。
• 治療薬MLのデータセット、タスク、評価リソースを整理する統一プラットフォーム（TDC）の設計を示す。
• 単一インスタンス、複数インスタンス、生成の幅広いタスク（単一インスタンス、複数インスタンス、生成）と 66 のデータセットを探索から開発まで網羅する。
• 厳密なベンチマークを可能にする評価戦略、データ分割、リーダーボードのエコシステムを強調する。
• Python パッケージとコミュニティリソースを通じたオープンサイエンスのアクセス性を示す。

提案手法

• 三層建設のモジュール設計を導入し、事実を問題（単一インスタンス、複数インスタンス、生成）に分類する。
• 22 の学習タスクを定義し、各タスクに複数の AI-ready データセットと標準化されたメタデータを用意する。
• 現実世界の導入を模擬する 23 のモデル評価戦略と 5 つのデータセット分割タイプを提供する。
• 公正なベンチマーキングを可能にする 17 の分子生成オラクルと 29 の公開リーダーボードを提供する。
• すべてのデータセット、タスク、評価ツールへアクセスするオープンソースの Python パッケージを提供する。
• ドメイン固有の手法と最先端手法を用いた 24 の TDC データセットを横断する経験的ベンチマークを提示する。

実験結果

リサーチクエスチョン

• RQ1 治療薬の探索・開発パイプラインを網羅するために、どの学習タスクとデータセットが必要か？
• RQ2 治療薬MLベンチマークで多様なデータモダリティと分布シフトをどう扱うか？
• RQ3 現在の最先端モデルは治療薬ベンチマークで性能を飽和させているのか、それともアルゴリズム的改善の余地があるのか？
• RQ4 治療薬モデルの実世界展開と臨床移行を最も反映する評価プロトコルは？
• RQ5 TDCはタスク間一般化と公平なモデル比較をどのように促進するか？

主な発見

• TDC は 66 の AI-ready データセットを 22 のタスクに集約し、ADMET、DTI、ドッキング、生成を含む内容を、オープンな Python ライブラリで統合している。
• 24 の TDC ベンチマークにおける広範な実験は、強力なアルゴリズムでも分布シフト、多様なスケールの異種データ、および新規入力への一般化に苦戦することを示している。
• ドメイン特化手法はしばしば汎用最先端モデルと同等または上回ることがあり、厳格な評価フレームワークと実世界ベンチマークの必要性を浮き彫りにしている。
• TDC は治療薬分野のオープン ML 課題を特定する：低リソース学習、マルチモーダル/知識グラフ学習、分布シフト、因果推論。
• このプラットフォームは 29 のリーダーボードと 33 のデータ処理器を提供し、堅牢で再現性のあるモデル比較と潜在的な臨床翻訳を実現する。