成对差分QSAR结合分位数聚合,尝试预测超出已知效价范围的化合物
- 常规QSAR很难预测比训练集中任何化合物都更强效的类似物,而这正是先导优化的核心问题。
- PD-QSAR从化合物对的描述符差异中学习活性变化,再对预测结果聚合。
- 在基于ChEMBL、约百个靶点且留出最高活性化合物的基准上,低分位数聚合优于均值和kNN聚合、直接QSAR及Chemprop。
💡 要点
这是每个优化团队的痛点:模型对系列内排序尚可,却在真正需要的高活性端失准。留出最高效价那一部分做检验是对的压力测试。不过公开ChEMBL的分布与在研项目的SAR断崖不同,用于指导合成前,我会先在自己的系列上做前瞻性验证。
Breaking the Potency Barrier: A Practical Recipe for QSAR Extrapolation ↗