一组优化的 3D-MoRSE 描述符，用于分子表示

《npj Computational Materials》：A set of optimized 3D-MoRSE descriptors for molecular representation

　　```

摘要

在药物发现过程中，精确预测分子性质和毒性对于降低成本和减少研发失败至关重要。在这里，我们开发并评估了一种优化的3D-MoRSE（OPT3D）分子表示方法，该方法引入了一个可调节的距离尺度因子，以更好地捕捉具有代表性的原子间距离范围。使用简单的传统机器学习模型（例如随机森林RF），OPT3D在测试中的均方根误差（RMSE）分别为0.942（ESOL）、0.940（亲脂性）和2.108（FreeSolv），AUC分别为0.824（BACE）、0.878（BBBP）、0.621（SIDER）、0.828（Tox21）和0.717（ToxCast）。这些结果与依赖更复杂架构的最新尖端预测方法相当。通过更先进的模型可以进一步提高这些描述符的预测性能：堆叠集成模型能够进一步降低回归误差并保持强大的分类能力，而带自适应检查点的专门化神经模型也能改善相对简单传统机器学习模型的性能。基于扰动的测试还表明，OPT3D描述符在中等噪声条件下表现出较强的鲁棒性。我们的结果强调，开发高质量的分子表示方法与模型创新同样重要，尽管模型创新一直受到重视，但其带来的性能提升较为有限。

```