मॉलिक्यूलर प्रॉपर्टी प्रेडिक्शन के लिए ग्रेडियेंट बूस्टिंग के उपयोग के लिए व्यावहारिक दिशानिर्देश

डिसीजन ट्री एंसेम्बल क्वांटिटेटिव स्ट्रक्चर-एक्टिविटी रिलेशनशिप (QSAR) मॉडलिंग के लिए सबसे मजबूत, उच्च-प्रदर्शन और संगणनात्मक रूप से कुशल मशीन लर्निंग दृष्टिकोणों में से एक हैं। इनमें से, ग्रेडियेंट बूस्टिंग ने हाल ही में डेटा विज्ञान प्रतियोगिताओं, वर्चुअल स्क्रीनिंग अभियानों और जैव गतिविधि भविष्यवाणी में अपने प्रदर्शन के लिए विशेष ध्यान आकर्षित किया है। हालांकि, ग्रेडियेंट बूस्टिंग के विभिन्न रूप हैं, जिसमें सबसे लोकप्रिय XGBoost, LightGBM और CatBoost हैं। हमारा अध्ययन QSAR के लिए इन दृष्टिकोणों की पहली व्यापक तुलना प्रस्तुत करता है। इस लक्ष्य के लिए, हमने 157,590 ग्रेडियेंट बूस्टिंग मॉडल प्रशिक्षित किए, जो 16 डेटा सेटों और 94 एंडपॉइंट्स पर मूल्यांकित किए गए, जिसमें कुल 1.4 मिलियन यौगिक शामिल थे। हमारे परिणाम बताते हैं कि XGBoost सामान्यतः सबसे अच्छा भविष्यवाणी प्रदर्शन प्राप्त करता है, जबकि LightGBM को सबसे कम प्रशिक्षण समय की आवश्यकता होती है, विशेष रूप से बड़े डेटा सेटों के लिए। विशेषता महत्व के संदर्भ में, मॉडल आश्चर्यजनक रूप से आणविक विशेषताओं को अलग तरह से रैंक करते हैं, जो नियमितीकरण तकनीकों और निर्णय वृक्ष संरचनाओं में भिन्नताएँ दर्शाते हैं। इसलिए, जैव गतिविधि के डेटा-संचालित स्पष्टीकरणों का मूल्यांकन करते समय विशेषज्ञ ज्ञान का उपयोग करना हमेशा आवश्यक है। इसके अलावा, हमारे परिणाम बताते हैं कि प्रत्येक हाइपरपैरामीटर की प्रासंगिकता डेटा सेटों के बीच बहुत भिन्न होती है और अधिकतम भविष्यवाणी प्रदर्शन के लिए जितने संभव हो उतने हाइपरपैरामीटर को अनुकूलित करना बहुत महत्वपूर्ण है। निष्कर्ष के रूप में, हमारा अध्ययन cheminformatics प्रैक्टिशनर के लिए वर्चुअल स्क्रीनिंग और QSAR अनुप्रयोगों के लिए ग्रेडियेंट बूस्टिंग मॉडलों को प्रभावी रूप से प्रशिक्षित, अनुकूलित और मूल्यांकन करने के लिए दिशानिर्देशों का पहला सेट प्रदान करता है।