[论文解读] GENEOnet: A new machine learning paradigm based on Group Equivariant Non-Expansive Operators. An application to protein pocket detection

Giovanni Bocchi, Patrizio Frosini+6 more|arXiv (Cornell University)|Jan 31, 2022

Computational Drug Discovery Methods被引用 4

一句话总结

GENEOnet 引入了一种基于群等变非扩张算子的新型机器学习范式，实现了可解释性、参数高效建模，并支持知识注入与特征选择。将其应用于蛋白质口袋检测任务时，仅需极少的训练数据即可达到最先进水平的准确率，展现出相较于深度学习基线模型更高的透明度和计算效率。

ABSTRACT

Nowadays there is a big spotlight cast on the development of techniques of explainable machine learning. Here we introduce a new computational paradigm based on Group Equivariant Non-Expansive Operators, that can be regarded as the product of a rising mathematical theory of information-processing observers. This approach, that can be adjusted to different situations, may have many advantages over other common tools, like Neural Networks, such as: knowledge injection and information engineering, selection of relevant features, small number of parameters and higher transparency. We chose to test our method, called GENEOnet, on a key problem in drug design: detecting pockets on the surface of proteins that can host ligands. Experimental results confirmed that our method works well even with a quite small training set, providing thus a great computational advantage, while the final comparison with other state-of-the-art methods shows that GENEOnet provides better or comparable results in terms of accuracy.

研究动机与目标

• 开发一种新型机器学习范式，以增强可解释性并减少对大规模数据集的依赖。
• 通过高透明度和低参数量解决药物发现中蛋白质口袋检测的挑战。
• 通过结构化算子设计将先验生物学知识整合到学习过程中。
• 在显著更小的训练集上超越现有方法的准确率。
• 为生物分子建模中的信息处理观察者建立数学基础框架。

提出的方法

• GENEOnet 采用群等变非扩张算子（GENOs），其在数学上被定义为在与蛋白质结构相关的群作用（如旋转和平移）下保持对称性。
• 该框架通过结构化算子设计嵌入先验知识，实现在无需大规模数据的情况下进行知识注入。
• 利用非扩张性质以稳定学习过程，并确保对输入扰动的鲁棒性。
• 模型在蛋白质表面表示上进行端到端训练，特征选择由算子结构天然内建。
• 该架构设计轻量化，可学习参数数量极少，从而增强透明度和效率。
• 其基于信息处理观察者的理论，构建了几何与代数基础，实现学习系统的合理设计。

实验结果

研究问题

• RQ1 基于群等变非扩张算子的机器学习框架是否能在仅使用极少训练数据的情况下实现蛋白质口袋检测的高准确率？
• RQ2 通过结构化算子整合先验生物学知识在多大程度上影响模型性能与可解释性？
• RQ3 非扩张性质在生物分子预测任务中在多大程度上提升了泛化能力与鲁棒性？
• RQ4 GENEOnet 在准确率与参数效率方面与最先进深度学习模型相比表现如何？
• RQ5 基于数学基础的机器学习范式是否能在可解释的生物分子建模中超越标准神经网络？

主要发现

• 尽管训练数据集远小于典型深度学习模型，GENEOnet 在蛋白质口袋检测中仍实现了最先进或具有竞争力的准确率。
• 由于其结构化且注入知识的设计，模型展现出高度透明性，可解释性优于黑箱神经网络。
• GENEOnet 的参数数量显著少于同类深度学习模型，从而降低了计算成本并减少了过拟合风险。
• 非扩张性质有助于在不同蛋白质构象和输入变化下实现稳定且鲁棒的预测。
• 即使在数据稀缺条件下，该方法仍保持强劲性能，凸显其数据效率及在生物医学应用中的适用性。
• 该框架已在真实世界药物设计问题中得到验证，确认了其实际相关性与可扩展性。