DeepAutoQSAR、ChemProp 和 DeepPurpose 在 Therapeutic Data Commons ADMET 子集上的基准研究

摘要

随着更强大的硬件和方法的出现，机器学习（机器学习（ML） , ML）方法在化学相关领域的应用近年来显著增加。特别是在药物发现领域，ADMET（吸收、分布、代谢、排泄和毒性）性质的预测是机器学习应用的主要靶点 。 本文介绍了Schrödinger的自动化机器学习模型构建引擎DeepAutoQSAR在“治疗数据共享库”（Therapeutic Data Commons，TDC）的ADMET子集上的性能指标——TDC是一个用于机器学习模型构建和基准测试的大型公开数据集。此外，我们还将DeepAutoQSAR的性能与两个开源项目（即ChemProp和DeepPurpose）的性能进行了比较。

在所研究的22个案例中，DeepAutoQSAR有20个案例的表现位居前列，其中在9个案例中明显优于其他方法。在其余11个案例中，至少有一种其他测试方法的表现与其相当。 我们相信，通过持续开发并进一步提升 DeepAutoQSAR 在准确性、对化学数据偏移的鲁棒性以及标签效率方面的表现，将能够实现更快、更具成本效益的药物发现方式，并最终推动新型治疗药物的问世。

引言

人们普遍认为，新分子的ADMET（吸收、分布、代谢、排泄和毒性）特征对新药的成功研发起着关键作用。 学术界和制药行业为开发可靠的模型来测量和预测众多相关终点指标所投入的大量时间和精力，进一步印证了这一点¹。由于不利的 ADMET 特征在药物开发的后期阶段可能会造成灾难性的影响，因此，尽早识别潜在问题已成为一个共同的目标。

随着超大规模按需化合物库和DNA编码化合物库（例如Enamine REAL Space或WuXi LabNetwork）的兴起，要尽早识别潜在缺陷，就需要采用计算速度快、成本低且精度足够高的方法，以便在评估数亿种化合物的同时，不遗漏任何潜在的优质候选化合物。这显然排除了使用实验性的体内甚至体外方法的可能性。 现代机器学习（机器学习（ML） ，ML）方法——通常被称为人工智能（AI）——能够以较短的时间、较低的计算成本，在可接受的精度下轻松处理数百万个分子。

与基于计算模拟（基于物理理论 ）的计算机模拟方法不同，机器学习/人工智能（ML/AI）方法需要高质量的数据进行训练，才能预测给定的终点。 高质量的训练数据往往难以获得；数据需要干净且经过精心整理，而化学应用中的数据集通常比图像或文本等其他领域的机器学习所用的数据集规模更小。这些严格的数据要求可能会限制更复杂的机器学习/人工智能方法的应用，因为训练数据量往往不足以拟合复杂且精确的模型。

然而，鉴于过去几十年间人们日益认识到对ADMET特性进行建模的重要性，大型制药公司已积累了海量数据，但遗憾的是，这些数据往往不对外公开，仅用于内部项目。公开数据较为稀缺，但目前已有相关举措致力于收集和整合公开数据²，同时也以明智的方式共享非公开数据，在确保数据保密性的同时改进现有模型³。

深度学习（DL）方法取得的成功，推动了机器学习/人工智能（ML/AI）在化学应用领域的复兴，在针对ADMET终点进行研究时，可供选择的开源和商业软件数量众多。虽然开源软件通常能受益于更快的开发周期，从而更迅速地将新的科学见解付诸实践，但其应用往往仅限于领域专家。 另一方面，商业软件则具备结构化的质量保证（QA）、文档支持和技术支持等优势，并配有全面的用户界面，这大大降低了非专家的使用门槛。

在本文中，我们将深入探讨两个较为流行的开源软件包——ChemProp和DeepPurpose——以及施罗丁格公司的机器学习/人工智能软件包DeepAutoQSAR的性能表现，并通过最近发布的一组基准测试数据，展示它们的性能对比情况。