Optimización de modelos neuronales para estimar similaridad entre compuestos mediante estrategias basadas en computación evolutiva

Abstract

El concepto de similaridad molecular es fundamental para la bioinformática. Sin embargo, calcular la similaridad entre compuestos cuando se desconoce la estructura de alguno de ellos resulta un desafío. Los modelos neuronales en grafos han demostrado eficacia para extraer representaciones a partir de la topología de reacciones químicas. Sin embargo, su diseño y principalmente la elección de hiperparámetros implican evaluar un vasto espacio de posibilidades. Los algoritmos evolutivos surgen como una alternative natural para explorar grandes espacios de búsqueda, como es el caso del espacio de hiperparámetros asociados a las arquitecturas neuronales. Este trabajo propone comparar un el uso de un enfoque clásico de búsqueda de hiperparámetros mediante conocimiento experto frente a una propuesta bioinspirada basada en computación evolutiva para la misma tarea, particularmente en el contexto de estimación de similaridad entre compuestos. Partiendo de una arquitectura predefinida se comparan experimental ambas propuestas y se evalúan en diferentes conjuntos de datos. Los resultados muestran que el enfoque basado en computación evolutiva permite encontrar hiperparámetros adecuados para la arquitectura considerada que permiten alcanzar un desempeño comparable al enfoque basado en conocimiento experto, con la diferencia de no ser necesario el conocimiento humano para esta selección.