डोमेन और कार्यों के बीच गहरी ट्रांसफरेबल यौगिक प्रतिनिधित्व कम डेटा दवा खोज के लिए

छोटी आणविक आधारित दवा खोज की मुख्य समस्या यह है कि एक ऐसा उम्मीदवार अणु ढूंढना है जिसमें बढ़ी हुई औषधीय गतिविधि, उचित ADME, और कम विषाक्तता हो। हाल ही में, मशीन लर्निंग ने दवा खोज में महत्वपूर्ण योगदान दिया है। हालांकि, कई मशीन लर्निंग विधियों, जैसे कि गहरी लर्निंग आधारित दृष्टिकोणों, को अव्यक्त डेटा के लिए सही भविष्यवाणियों के लिए बड़ी मात्रा में प्रशिक्षण डेटा की आवश्यकता होती है। सीसे अनुकूलन चरण में, छोटी आणविक यौगिकों पर उपलब्ध जैविक डेटा की मात्रा कम होती है, जिससे मशीन लर्निंग विधियों को लागू करना चुनौतीपूर्ण बन जाता है। इस अध्ययन का मुख्य लक्ष्य इन स्थितियों को संभालने के लिए एक नया दृष्टिकोण डिजाइन करना है। इस उद्देश्य के लिए, स्रोत परीक्षण (सहायक परीक्षण) ज्ञान का उपयोग नए यौगिकों की विशेषता का अनुमान लगाने के लिए एक बेहतर मॉडल सीखने में किया जाता है। अब तक, वर्तमान दृष्टिकोणों ने यह नहीं विचार किया कि स्रोत और लक्ष्य परीक्षण विभिन्न अणु वितरण के साथ विभिन्न लक्ष्य समूहों के लिए अनुकूलित हैं। इस पत्र में, हम ग्राफ संकेंद्रण नेटवर्क और प्रतिकूल डोमेन अनुकूलन नेटवर्क का उपयोग करके इस मुद्दे को हल करने के लिए एक नई संरचना का प्रस्ताव करते हैं। प्रस्तावित दृष्टिकोण का मूल्यांकन करने के लिए, हमने इसे Tox21, ToxCast, SIDER, HIV, और BACE संग्रह पर लागू किया। परिणामों ने स्रोत से लक्ष्य डेटा सेट में संबंधित ज्ञान को स्थानांतरित करने में प्रस्तावित दृष्टिकोण की प्रभावशीलता को प्रदर्शित किया।