提高药物发现效率是药物发现的核心和长期挑战。为此，已经开发了许多图学习方法来快速、低成本地搜索潜在的候选药物。事实上，在有限数量的数据集上追求高预测性能已经明确了它们的架构和超参数，使它们在重新利用药物发现中产生的新数据方面失去了优势。
腾讯量子实验室以及中国科大、浙大等团队合作，提出了一种灵活的方法，可以适应任何数据集并做出准确的预测。所提出的方法采用自适应管线从数据集中学习并输出预测器。在没有任何人工干预的情况下，该方法在所有测试数据集上实现了，比基于手工设计的神经架构和其他固定项目的传统方法更好的预测性能。
此外，研究人员发现所提出的方法比传统方法更稳健，并且可以提供有意义的可解释性。鉴于上述情况，所提出的方法可以作为一种可靠的方法来预测具有高适应性、性能、稳健性和可解释性的分子相互作用和性质。这项工作有助于研究人员更高效地设计更好的药物。
该研究以「An adaptive graph learning method for automated molecular interactions and properties predictions」为题，于 2022 年 6 月 23 日发布在《Nature Machine Intelligence》。
GLAM 开源地址：https://github.com/yvquanli/GLAM
论文链接：https://www.nature.com/articles/s42256-022-00501-8

内容中包含的图片若涉及版权问题，请及时与我们联系删除