Combining GCN Structural Learning with LLM Chemical Knowledge for Enhanced Virtual Screening
Notice bibliographique
Résumé
Virtual screening plays a critical role in modern drug discovery by enabling the identification of promising candidate molecules for experimental validation. Traditional machine learning methods, such as support vector machines (SVM) and XGBoost, rely on predefined molecular representations, often leading to information loss and potential bias. In contrast, deep learning approaches, particularly graph convolutional networks (GCNs), offer a more expressive and unbiased alternative by operating directly on molecular graphs. Meanwhile, large language models (LLMs) have recently demonstrated state-of-the-art performance in drug design thanks to their capacity to capture complex chemical patterns from large-scale data via attention mechanisms. In this paper, we propose a novel hybrid architecture that combines GCNs with LLM-derived embeddings, evaluated on both kinase-related data sets, which are well-established therapeutic targets of high biological significance, and non-kinase data sets such as the glucocorticoid receptor and PPARG, demonstrating the broader applicability of our approach. Our model introduces a layer-wise concatenation strategy, where LLM embeddings are injected after each GCN layer rather than solely at the final layer. This design enables progressive enrichment of the learned molecular representations with global chemical context throughout the network's depth. The LLM embeddings can be precomputed and stored in a molecular feature library, maintaining computational efficiency during training and inference. We conduct a comprehensive comparison against standalone GCN, Molformer, SVM, and XGBoost baselines, demonstrating that our method achieves superior performance, with an accuracy of 88.7%, compared to 86.8% for GCN, 85.1 for molformer, 85.0% for XGBoost, and 84.7% for SVM. These improvements are practically significant in real-world virtual screening scenarios, where even small gains can reduce false positives and accelerate candidate prioritization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».