Entwicklung von Support Vector Machine und Regressionsmodellierung in Chemoinformatik und Arzneimittelentdeckung

Der Support Vector Machine (SVM) Algorithmus ist eine der am weitesten verbreiteten Methoden des maschinellen Lernens (ML) zur Vorhersage aktiver Verbindungen und molekularer Eigenschaften. In der Chemoinformatik und Arzneimittelentdeckung ist SVM seit mehr als einem Jahrzehnt ein modernes ML-Verfahren. Ein einzigartiges Merkmal von SVM ist, dass es in Merkmalsräumen mit zunehmender Dimensionalität arbeitet. Daher weicht SVM konzeptionell von dem Paradigma der niedrigen Dimensionalität ab, das auf viele andere Methoden zur Navigation im chemischen Raum zutrifft. Der SVM-Ansatz ist anwendbar auf die Klassifikation und Rangordnung von Verbindungen, Multi-Klassen-Vorhersagen und - in algorithmisch modifizierter Form - Regressionsmodellierung. In der aufkommenden Ära des Deep Learning (DL) behält SVM seine Relevanz als eine der führenden ML-Methoden in der Chemoinformatik aus den hier erörterten Gründen. Wir beschreiben die SVM-Methodologie, einschließlich ihrer Stärken und Schwächen, und erörtern ausgewählte Anwendungen, die zur Entwicklung von SVM als einem führenden Ansatz für die Klassifikation von Verbindungen, Vorhersagen von Eigenschaften und virtuelles Screening von Verbindungen beigetragen haben.