MAPCliff-WMGR: Exploring Activity Cliffs in Molecular Activity Prediction Enhanced by Weighted Molecular Graph Representations
Notice bibliographique
Résumé
In drug discovery, accurately predicting molecular activity is crucial for identifying and optimizing molecules with desirable biological properties. A significant challenge in this field is the phenomenon of activity cliffs, where molecules with similar structures exhibit significantly divergent biological activities. This study introduces MAPCliff-WMGR, a computational framework designed to predict molecular activity under the activity cliff scenario using weighted molecular graphs. MAPCliff-WMGR consists of a core mGraphSNN GAT module that integrates model-specific adjustments to better handle molecular data, enabling the model to effectively predict molecular activity under the activity cliff scenario. Due to activity cliff data exhibiting characteristics of spectral bias, MAPCliff-WMGR addresses this by employing an Independent Feature Mapping (IFM) module that uses sinusoidal transformations to map features into a frequency-rich domain. Experimental results demonstrate that MAPCliff-WMGR achieves an average RMSE of 0.677 for cliff molecules, which is 7.2% better than the best-performing baseline. Furthermore, we build the MACE-R7 platform, a richer benchmark with various response types and targets, on which our method achieves an average improvement of 3.2% in overall prediction and 8.7% for cliff molecules. Moreover, the model’s interpretability is further demonstrated to uncover critical atoms responsible for activity cliffs through attention-based analysis and dimensionality reduction visualizations. Finally, a case study on small-molecule drugs targeting estrogen receptor alpha (ERα) for breast cancer treatment underscores the model’s ability to accurately predict activity for cliff molecules, validating its potential for virtual drug screening.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| 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 ».