高通量筛选的样本重要度、主动学习与确证比较
用样本对模型预测的贡献安排取样，检查初筛真、假阳性，并测试保留关键阴性样本的作用。
用途与模型
- 研究用途
- 提高药物筛选的逐批取样效率，复核生物活性初筛数据及训练集质量。
- 模型与细胞来源
- 25 个初筛与确证数据集用于活性发现及真/假阳性评价；另用 10 个 MolData 老龄相关数据集评价阴性欠采样。
- 方法版本
- 2024 年公开初筛/确证及 MolData 比较
- 实验形式
- 每次主动学习加入全数据集的 1.5%；不同重要度算法与直接活性优先、随机策略比较。
材料与平台
- 输入与数据划分
- 主要输入为半径 2、1024 位扩展连接指纹（extended-connectivity fingerprints，ECFP）；25 集内 1 集优化、24 集后续比较；需要验证资料时保留初筛分数最高 10%。
- 确证评价
- 按重要度选择初筛活性的前/后 10%，只在具有确证标签的子集测精确率、富集及排序表现；活性分数排序和结构片段过滤为基线。
- 阴性删减
- 保留 MolData 既有划分，每轮删除原训练集 5% 的阴性记录至 95%，比较高重要度、低重要度和随机删减。
测量指标与分析
- 累计活性发现比例
- 确证子集的相对精确率
- 真/假阳性富集
- 偏重排序前端的早期富集指标（Boltzmann-Enhanced Discrimination of the Receiver Operating Characteristic，BEDROC）
- 训练集缩减后的平均精确率
- 计算时间
分别评价主动取样、初筛确证和阴性保留，样本重要度的自身/他样本定义与排序方向分别使用；按具体任务报告测试子集和计算成本。
研究设计与结果
药物集评价
- 研究设计
- 基于既有高通量初筛与确证记录，在多个数据集上回顾性比较算法。
- 测试范围
- 25 个初筛-确证集，其中 24 用于优化后策略比较；10 个 MolData 集的阴性删减重点解释 4 个基线较好的数据集。
- 参照体系
- 直接活性优先、随机取样、初筛分数及结构过滤；阴性删除按高/低重要度和随机安排。
- 研究结果
- 最小方差采样分析（Minimal Variance Sampling Analysis，MVS-A）结合高斯过程回归的主动学习找回更多活性但计算较慢；删低重要度阴性未优于随机，删关键阴性则降低性能。
适用条件与研究局限
- 确证标签仅覆盖部分初筛活性分子，排序评价限于这部分子集。
- 逐轮取样是在既有公开初筛和确证记录上回顾性模拟。
- MolData 的 6 个低基线性能数据集提供的重要度信息不足。
- 排序表现随生物测量任务、数据划分和基础模型变化。
来源与原文
- Machine Learning-Driven Data Valuation for Optimizing High-Throughput Screening Pipelines.原始研究 · Journal of Chemical Information and Modeling · 2024-10-23