摘要：

随着机器学习（机器学习（ML） , ML）技术在化学领域的广泛应用，分析规模极其庞大的分子库已成为当务之急。特别是，聚类分析仍是剖析化学空间 最常用的工具之一。遗憾的是，目前大多数方法在时间和内存扩展性方面表现不佳，因此不适合处理规模达数百万乃至数十亿的分子集。 在此，我们提出一种在时间和内存效率上均表现优异的聚类算法——BitBIRCH，以解决这些问题。该方法采用与“基于层次结构的平衡迭代缩减与聚类”（BIRCH）算法类似的树结构，以确保 O(N) 的时间复杂度。 BitBIRCH利用瞬时相似性（iSIM）形式化方法处理二进制指纹，既支持使用Tanimoto相似性，又能降低内存需求。我们的测试表明，对于包含1,500,000个分子的分子库，BitBIRCH的运行速度已比Taylor-Butina聚类算法的标准实现快1,000倍以上。 此外，我们探索了处理规模大得多的数据集的策略，并应用并行/迭代的 BitBIRCH 近似算法，在 5 小时内完成了 10 亿个分子的聚类。据我们所知，这是首次对 10 亿个分子进行聚类。通过评估 Calinski-Harabasz 指数和 Davies-Bouldin 指数，我们得出结论：BitBIRCH 在提高效率的同时，并未牺牲聚类结果的质量。 我们还探讨了BitBIRCH算法在化学空间 探索、分子分割以及药物设计流程中的进一步应用。此前人们认为，使用现有算法对数十亿个分子进行聚类是一项无法克服的难题，但BitBIRCH不仅使这一目标成为可能，而且仅用几小时便完成了这项任务。

演讲者：

维基·郑，佛罗里达大学

维基·郑是佛罗里达大学的一名本科生，主修数据科学，辅修生物信息学。她在米兰达-昆塔纳实验室工作，主要协助开展BitBIRCH项目——这是一种化学信息学领域内的新型聚类方法。