Improving the accuracy and generalizability of molecular property regression models with a substructure-substitution-rule-informed framework
Created by
Haebom
Category
Empty
저자
Xiaoyu Fan, Lin Guo, Ruizhen Jia, Yang Tian, Zhihao Yang, Boxue Tian
개요
본 논문은 인공지능(AI) 기반 약물 발견 분야에서 분자 특성 예측 모델의 정확도와 일반화 성능을 향상시키는 MolRuleLoss 프레임워크를 제시한다. MolRuleLoss는 부분 미분 제약을 활용하여 하위 구조 치환 규칙(SSRs)을 모델의 손실 함수에 통합하며, 다양한 분자 특성 예측 작업에서 GEM 및 UniMol과 같은 여러 모델의 성능을 향상시킨다. 특히, MolRuleLoss는 lipophilicity, 물 용해도, 용매화 자유 에너지 예측에서 RMSE를 2.6%에서 33.3%까지 개선했으며, "활동 절벽" 분자 및 OOD 분자에 대한 일반화 성능을 향상시켰다.
시사점, 한계점
•
MolRuleLoss는 분자 특성 예측 모델의 정확도와 일반화 성능을 크게 향상시켰다.
•
MolRuleLoss를 통해 모델의 OOD (Out-of-Distribution) 성능을 개선하였다.
•
하위 구조 치환 규칙(SSRs)의 양과 질이 모델 성능 향상에 기여한다.
•
SSRs의 특성 변화 상한이 모델 오류와 양의 상관관계를 보인다.
•
본 연구는 특정 모델(GEM, UniMol) 및 데이터셋(MoleculeNet)에 대한 실험 결과에 기반한다.
