加州大学提出FS-CAP模型，通过基于配体的小样本学习预测化合物活性

文章预览

基于一种或几种现有化合物的已知活性，预测新化合物对生物物理或表型分析的活性是早期药物发现的共同目标。这个问题可以看作是小样本学习的挑战，之前的研究已经开发了一些小样本学习方法来分类化合物的活性和非活性。然而，超越分类和根据预期亲和力对化合物排序的能力更有价值，而这一方面与小样本学习相结合的研究，目前还鲜有涉及。 2024年7月1日，美国加州大学圣地亚哥分校Peter Eckmann等人在Journal of Chemical Information and Modeling上发表文章Ligand-Based Compound Activity Prediction via Few-Shot Learning。 作者提出了一种结合小样本学习的化合物活性预测方法FS-CAP （Few-Shot learning for Compound Activity Prediction）。 FS-CAP是一个基于大型生物活性数据集训练的新型神经网络结构，仅基于几种已知化合物对同一检测的活性，就可以预测化合物对训练集之外的化 ………………………………