Compound virtual screening by learning-to-rank with gradient boosting decision tree and enrichment-based cumulative gain

要約

Learning-to-rank は、情報検索で広く使用されている機械学習手法であり、最近、新薬開発の初期段階を加速するために、リガンドベースの仮想スクリーニングの問題に適用されています。
ランキング予測モデルは順序関係に基づいて学習するため、さまざまな環境からのアッセイ データの統合に適しています。
化合物スクリーニングにおけるランク予測に関する既存の研究では、一般に、RankSVM と呼ばれるランク付け学習法が使用されてきました。
ただし、それらは、最近人気を博している勾配ブースティング決定木 (GBDT) ベースの学習によるランク付け方法と比較または検証されていません。
さらに、Normalized Discounted Cumulative Gain (NDCG) と呼ばれるランキング メトリックは、情報検索で広く使用されていますが、予測が他のモデルの予測よりも優れているかどうかを判断するだけです。
言い換えれば、NDCG は、予測モデルがランダムな結果よりも悪い結果を生成する時期を認識することができません。
それにもかかわらず、NDCG は、ランク付け学習を使用した化合物スクリーニングのパフォーマンス評価にまだ使用されています。
この研究では、リガンドベースの仮想スクリーニングのために、ラムダランクおよびラムダロスと呼ばれるランク付け損失関数を備えた GBDT モデルを使用しました。
結果は、回帰を使用して既存の RankSVM メソッドおよび GBDT モデルと比較されました。
また、ランキング予測の良さを適切に評価することを目的とした、新しいランキング指標、Normalized Enrichment Discounted Cumulative Gain (NEDCG) を提案しました。
結果は、ランク付け学習を使用した GBDT モデルが、さまざまなデータセットで GBDT と RankSVM を使用した既存の回帰方法よりも優れていることを示しました。
さらに、NEDCG は、回帰による予測がマルチアッセイ、マルチファミリー データセットのランダム予測に匹敵することを示し、化合物スクリーニング パフォーマンスのより直接的な評価に対するその有用性を実証しました。

要約(オリジナル)

Learning-to-rank, a machine learning technique widely used in information retrieval, has recently been applied to the problem of ligand-based virtual screening, to accelerate the early stages of new drug development. Ranking prediction models learn based on ordinal relationships, making them suitable for integrating assay data from various environments. Existing studies of rank prediction in compound screening have generally used a learning-to-rank method called RankSVM. However, they have not been compared with or validated against the gradient boosting decision tree (GBDT)-based learning-to-rank methods that have gained popularity recently. Furthermore, although the ranking metric called Normalized Discounted Cumulative Gain (NDCG) is widely used in information retrieval, it only determines whether the predictions are better than those of other models. In other words, NDCG is incapable of recognizing when a prediction model produces worse than random results. Nevertheless, NDCG is still used in the performance evaluation of compound screening using learning-to-rank. This study used the GBDT model with ranking loss functions, called lambdarank and lambdaloss, for ligand-based virtual screening; results were compared with existing RankSVM methods and GBDT models using regression. We also proposed a new ranking metric, Normalized Enrichment Discounted Cumulative Gain (NEDCG), which aims to properly evaluate the goodness of ranking predictions. Results showed that the GBDT model with learning-to-rank outperformed existing regression methods using GBDT and RankSVM on diverse datasets. Moreover, NEDCG showed that predictions by regression were comparable to random predictions in multi-assay, multi-family datasets, demonstrating its usefulness for a more direct assessment of compound screening performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google