小分子药物发现中机器学习模型的验证方案

内容形式：摘要译文

分子性质预测的机器学习（ML）模型日益应用于药物发现，但要在真实场景中采用这些模型，就需要了解模型在什么条件下会成功或失败。标准化基准是衡量并推动机器学习研究进展的有力工具，但不应将其盲目视为最终目标。尤其是静态和回顾性基准，由于未采用真正未知的测试集，限制了我们稳健验证模型性能的能力。依托跨行业联盟的集体专业知识，我们提出了一个由五项建议构成的模型验证框架，旨在帮助研究界超越汇总指标，深入了解分子性质预测模型在何处以及为何失效。我们将评估方案与药物研发中的实际应用和案例研究相联系。该框架提出了能够模拟真实分布偏移并揭示常见失效模式的数据划分策略。我们将这一推荐框架应用于近期发布的吸收、分布、代谢和排泄（ADME）性质数据集。通过两种互补的模型算法，我们的案例研究揭示了四种不同的失效模式（外推、内插、表征和评估），表明模型误差不仅源于分布偏移，也源于分子表征的局限性。结果表明，常用评估方案可能会显著高估模型性能，且未必能够发现重要的模型失效模式。所有软件和数据均已发布于 https://github.com/srijitseal/polaris。

关键词：机器学习模型验证 · 分子性质预测 · 药物发现 · ADME · 分布偏移 · 模型失效模式

原文链接：https://www.biorxiv.org/content/10.64898/2026.08.19.745868v1?rss=1