Estrategia evolutiva para la optimización de modelos neuronales de estimación de similaridad entre compuestos

Tobías Hermann; Leandro Vignolo; Matias Gerard

doi:10.24215/15146774e066

Autores/as

Tobías Hermann Universidad Nacional del Litoral, Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Argentina https://orcid.org/0009-0003-7549-9424
Leandro Vignolo Universidad Nacional del Litoral, Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Argentina https://orcid.org/0000-0002-8176-8235
Matias Gerard Universidad Nacional del Litoral, Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Argentina https://orcid.org/0000-0001-5145-5943

DOI:

https://doi.org/10.24215/15146774e066

Palabras clave:

redes neuronales en grafo, computación evolutiva, similaridad entre compuesto, vías metabólicas

Resumen

La evaluación de similaridad molecular es clave en el ámbito de la bioinformática, y representa un reto significativo cuando se trata de compuestos cuya estructura no se conoce. En este contexto, los modelos neuronales en grafos han demostrado ser efectivos para obtener representaciones a partir de la topología de reacciones químicas. No obstante, el diseño de estos modelos, así como la selección de sus hiperparámetros, requiere la evaluación de un extenso rango de opciones. Los algoritmos evolutivos se presentan como una solución natural para explorar estos amplios espacios de búsqueda, incluyendo el espacio de hiperparámetros de las arquitecturas neuronales. Este estudio propone una comparación entre un enfoque tradicional de búsqueda de hiperparámetros, basado en la experiencia del experto, y un método que utiliza computación evolutiva para la misma tarea, específicamente en la estimación de similaridad entre compuestos. Utilizando una arquitectura predefinida, se llevan a cabo experimentos para comparar ambos enfoques en distintos conjuntos de datos. Los resultados indican que el método basado en computación evolutiva logra identificar hiperparámetros adecuados para la arquitectura evaluada, alcanzando un desempeño comparable al del enfoque experto, pero sin requerir la intervención del conocimiento humano para dicha selección.

Descargas

Citas

Arita, M.: From Metabolic Reactions to Networks and Pathways, pp. 93–106 (2012)

Baeck, T., Fogel, D., Michalewicz, Z.: Evolutionary Computation 1: Basic Algorithms and Operators. CRC Press (2000)

Bajusz, D., Rácz, A., Héberger, K.: Why is tanimoto index an appropriate choice for fingerprint–based similarity calculations? Journal of Cheminformatics 7(1), 20 (2015)

Borzone, E., Di Persia, L.E., Gerard, M.: Neural model-based similarity prediction for compounds with unknown structures. In: Applied Informatics. pp. 75–87 (2022)

Fujimoto, K.J., Minami, S., Yanai, T.: Machine-learning- and knowledge-based scoring functions incorporating ligand and protein fingerprints. ACS Omega 7(22), 19030–19039 (2022)

Gilmer, J., Schoenholz, S.S., Riley, P.F., Vinyals, O., Dahl, G.E.: Neural message passing for quantum chemistry. Proceedings of Machine Learning Research, vol. 70, pp. 1263–1272 (2017)

Goldberg, D.E.: Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley (1989)

Hutter, M.C.: Differential multimolecule fingerprint for similarity search–making use of active and inactive compound sets in virtual screening. Journal of Chemical Information and Modeling 62(11), 2726–2736 (2022)

Kang, J.S., Kang, J., Kim, J.J., Jeon, K.W., Chung, H.J., Park, B.H.: Neural architecture search survey: A computer vision perspective. Sensors 23(3) (2023)

Kumar, A., Zhang, K.Y.J.: Advances in the development of shape similarity methods and their application in drug discovery. Frontiers in Chemistry 6 (2018)

Kyriakides, G., Margaritis, K.: Evolving graph convolutional networks for neural architecture search. Neural Computing and Applications 34(2), 899–909 (2022)

Rahman, S.A., Advani, P., Schunk, R., Schrader, R., Schomburg, D.: Metabolic pathway analysis web service (Pathway Hunter Tool at CUBIC). Bioinformatics 21(7), 1189–1193 (2004)

Veličković, P., Cucurull, G., Casanova, A., Romero, A., Liò, P., Bengio, Y.: Graph attention networks (2018)

Vignolo, L.D., Milone, D.H., Scharcanski, J.: Feature selection for face recognition based on multi-objective evolutionary wrappers. Expert Systems with Applications 40(13), 5077–5084 (2013)

Vignolo, L.D., Rufiner, H.L., Milone, D.H.: Multi-objective optimisation of wavelet features for phoneme recognition. IET Signal Processing 10(6), 685–691 (2016)

Vignolo, L.D., Rufiner, H.L., Milone, D.H., Goddard, J.C.: Evolutionary splines for cepstral filterbank optimization in phoneme classification. EURASIP Journal on Advances in Signal Processing 2011, 8:1–8:14 (2011)