כתבה
arXiv cs.LG ·
חידוש בתחום נבחנות ביולוגית: חיזוי פעילות ביולוגית בעזרת Meta-Learning
Few-Shot Bioactivity Prediction with Meta-Learning under Assay Heterogeneity
Meta-Learning משפר את חיזוי פעילות ביולוגית תחת הטרוגניות של נבחנות. המאמר עוסק בפיתוח MetaHeta, פלטפורמת Meta-Learning שמתחשבת בהטרוגניות של נבחנות. MetaHeta משתמשת בתשובות עזר מנבחנות קשורות, ומגדירה קשרות באופן רב-גמיש. המאמר מדגים את יעילות MetaHeta בנבחנות מ-ChEMBL ו-BindingDB, ומשפר את חיזוי פעילות ביולוגית ופריטריוזציה של תרכובות באופטימיזציה Bayesiana.
תקציר מקורי באנגליתarXiv:2610.07079v1 Announce Type: new Abstract: Accurate bioactivity prediction is a central challenge in early-stage drug discovery, as individual assays often contain too few measurements to train reliable models independently. Meta-learning offers a principled approach to this few-shot setting, but assay heterogeneity may limit its effectiveness. Here, we test this hypothesis and show that meta-learning performance degrades as meta-training tasks become more heterogeneous. To address this, we introduce MetaHeta, a meta-learning framework that accounts for assay heterogeneity by conditioning predictions on auxiliary data from related assays, with relatedness defined flexibly from available assay information. The architecture of MetaHeta combines linear attention over large auxiliary data
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית