Durant, Guy; Boyles, Fergus; Birchall, Kristian et al. · 2024 · Nature Computational Science
Metadata
Authors: Durant, Guy; Boyles, Fergus; Birchall, Kristian; Deane, Charlotte M.
📄 Quick Note¶
摘要概述¶
这篇 Perspective 论证：小分子药物发现领域的机器学习方法未来突破将主要来自数据（数量与质量）的改进，而非单纯依赖更先进的算法架构。作者通过三个常用 benchmark（CASF-2016 结合亲和力预测、USPTO-50k 逆合成、HIV MoleculeNet QSAR 分类）按发表年份绘制性能曲线，发现多年间仅有微小甚至零改进（Pearson R 或 AUROC 几乎不随时间上升），并不存在类似 AlphaFold 2 那样的"跃迁时刻"。即便引入 GNN、transformer、equivariant 网络、diffusion 等新架构，对小分子任务的泛化与精度提升也十分有限，部分 diffusion 生成器甚至无法产生物理上合理的分子。作者剖析了三类数据瓶颈——数据稀缺（公开数据仅数万至数十万量级，远低于 LLM/图像模型的数亿）、数据偏倚（人为采样偏倚 anthropogenic bias 与数据集固有归纳偏倚 inductive bias）、标签噪声（不同 assay 来源 IC50/Ki 不可比、PAINs 假阳性）——并提出数据增强、文献挖掘（dark data）、众包（COVID Moonshot）、联邦学习（MELLODDY）、domain adaptation、严格的训练-验证划分与 ablation 测试、盲测竞赛（D3R、CACHE）等应对策略。核心结论是：算法、数据、验证三者需均衡发展，单纯追逐新架构难以带来真正的药物发现效益。
关键图表¶
- Fig. 1（benchmark 性能 vs 发表年份）：CASF-2016（Pearson R 与年份 ρ=0.03，几乎无趋势）、USPTO-50k（top-1 accuracy，ρ=0.87，有渐进但非跃迁）、HIV MoleculeNet（AUROC，ρ=0.09，无趋势）三张散点图，按 ML 架构（GNN/Transformer/CNN/Tree/NN/Non-ML）着色。直观证明近年新架构未带来实质性能提升，是该文最有说服力的实证证据。
与我的关联¶
本文虽聚焦药物化学，但其方法论警示对任何应用 ML 领域都成立——即"数据量、数据质量、严格的 baseline 与 ablation 验证"比堆砌模型架构更关键；这些原则（警惕分布外泛化失败、训练偏倚、标签噪声、redocking 式过乐观验证）可作为审视自身计算生物力学 ML 建模时的对照清单。