Tiefe neuronale Netze als Methode für quantitative Struktur-Aktivitäts-Beziehungen

Neuronale Netze wurden in den 1990er Jahren häufig für quantitative Struktur-Aktivitäts-Beziehungen (QSAR) verwendet. Aufgrund verschiedener praktischer Probleme (z. B. langsam bei großen Problemen, schwer zu trainieren, anfällig für Überanpassung usw.) wurden sie von robusteren Methoden wie Support Vektor Maschine (SVM) und Random Forest (RF) verdrängt, die Anfang der 2000er Jahre aufkamen. Die letzten 10 Jahre haben eine Wiederbelebung der neuronalen Netze in der Machine Learning Gemeinschaft erlebt, dank neuer Methoden zur Vermeidung von Überanpassung, effizienterer Trainingsalgorithmen und Fortschritten in der Computerhardware. Insbesondere tiefe neuronale Netze (DNNs), d.h. neuronale Netze mit mehr als einer versteckten Schicht, haben in vielen Anwendungen wie Computer Vision und natürlicher Sprachverarbeitung große Erfolge erzielt. Hier zeigen wir, dass DNNs routinemäßig bessere prospektive Vorhersagen als RF auf einer Reihe großer, vielfältiger QSAR-Datensätze treffen können, die aus Mercks Wirkstoffforschungsbemühungen stammen. Die Anzahl der einstellbaren Parameter, die für DNNs benötigt werden, ist ziemlich groß, aber unsere Ergebnisse zeigen, dass es nicht notwendig ist, sie für einzelne Datensätze zu optimieren, und ein einzelnes Set empfohlener Parameter kann für die meisten von uns untersuchten Datensätze eine bessere Leistung als RF erzielen. Die Nützlichkeit der Parameter wird an weiteren Datensätzen demonstriert, die nicht in der Kalibrierung verwendet wurden. Obwohl das Training von DNNs immer noch rechenintensiv ist, kann die Verwendung von Grafikprozessoren (GPUs) dieses Problem beherrschbar machen.