论文标题：Using molecular embeddings in QSAR modeling: does it make a difference?

GitHub - VirginiaSabando/MolecularEmbeddings: Official site for "Using Molecular Embeddings in QSAR modeling: Does it Make a Difference?" (Briefings in Bioinformatics, 2021)

一、问题提出

尽管已有的分子表征方法层出不穷，但如何选择最适合QSAR分析的表征方法还没有实证研究。最近发表的一些研究表明，分子embedding在QSAR建模中似乎只匹配或略超过传统表示。虽然在分子embedding和传统表示之间建立一个公平的比较不是很直接，但这样的比较是必要的，它需要通过广泛和仔细的实验工作流程来进行。

旨在回答一下问题：

Q1: 文献中用于QSAR建模的主要分子embedding方法是什么? 在分类/回归任务中，它们是否优于传统的分子表示?

Q2: 将生物目标的信息整合到分子embedding(有监督embedding)中是否会比从无监督embedding中获得更高的预测性能?

Q3: 不同的预处理决策，例如SMILES标准形式或最终embedding的大小，是否对使用分子embedding的QSAR模型的预测性能有显著影响?

 

二、模型方法

1、Materials and methods

ZINC数据库：200M数据。

预处理阶段结束后，随机选择了4000万个化合物的子集用于训练。

选择了8个不同的标记数据集、5个分类数据集和3个回归数据集用于评估。

对比模型（5个，3个有监督、2个无监督）：

2、Experimental design

Training and embedding extraction

Evaluation of the molecular embeddings

三、实验

1、回答第一个问题：

比较使用传统分子表征molecular descriptors、ECFPs、MACCS

在NB、SVM和RF分类器中，传统分子表示对所有数据集都产生了最好的结果，显著优于大多数学习嵌入。在不平衡数据集—“SR-ATAD5”和“HIV”—的情况下，“ECFP”显著优于使用NB的其他表示，在其他分类器的最佳表现表示中，如图5C所示。“MACCS”和“molecular descriptors”也产生了明显优于大多数数据集和分类器中的学习embedding的结果。在' PCBA-686978 '(图E)的情况下，除FFNN外，在所有分类器中使用传统表示都获得了最佳结果。使用三种传统表示方法得到的结果无显著差异。FFNN的最佳结果通常是使用' SA-BiLSTM '获得的:这是对' SR-ARE '， ' SR-MMP '和' SR-ATAD5 '数据集观察到的。对于数据集“HIV”，“ECFP”获得了最好的FFNN结果，显示出对所有学习嵌入的显著差异，而“Mol2Vec_300”对数据集“PCBA-686978”获得了最好的FFNN结果。这些表现出：在所有情况下，这些结果都明显优于使用其他学习过的embedding得到的结果，如下图所示：

2、回答第二个问题：

确定在分类和回归任务中，有监督分子embedding是否可以超过无监督分子embedding。

使用监督表示SA-BiLSTM得到的结果普遍显著优于使用无监督embedding得到的结果。可以得出这样的结论: 总的来说，学习分子embedding并没有远远超过传统分子表示所得到的结果。而且，大多数无监督嵌入方法与传统分子表示的结果不匹配。

 

在无监督嵌入技术中，“Mol2Vec”产生了最好的结果，通常表现明显优于使用“SMILESVec”或“Seq2Seq”获得的结果。这可能与SMILES公式的预处理步骤有关，该步骤基于计算“ECFP”指纹的算法，与其他两种技术中应用于SMILES公式的简单标记步骤相反。

然而，这样的结果并不是决定性的，因为它们要么没有得到任何显著性检验的支持，要么没有对超参数进行合理调优的系统比较。结果证明了对分子embedding技术进行彻底和仔细的实验比较的重要性，以及学习表示在QSAR建模中的潜在作用。

虽然传统的表示是按照标准算法计算的，每次只观察一个分子，但学习嵌入可以从大量的化合物集合中计算，这可能会产生更丰富的表示，适合于分子相似性分析。此外，自注意等技术可能为分子子结构搜索、分子对接或将分子子结构与生物活性图谱连接等任务提供良好的embedding。

论文中提出的各种方法虽然大量细致的工作证明传统表征要molecular embedding好，但是模型都是老模型，在smiles embedding或者graph中目前已经大幅超过传统表征（eg：MoleculeNet上）。因此......