JCIM | 迁移学习方法助力活性悬崖预测任务
7.5
来源：
AIDD Pro
发布时间：
2025-09-03 07:30
摘要：
研究提出了一种基于迁移学习的活性悬崖预测模型（TS-AC），该模型通过大规模药物-药物相互作用数据进行预训练，显著提升了对新化合物的预测能力。实验结果显示，TS-AC在处理复杂化合物结构时表现优于传统方法，具备良好的可解释性，能够识别导致活性差异的关键结构。这一创新方法为药物发现和优化提供了新的思路，具有重要的应用潜力。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
1.0
business_impact
0.5
scientific_rigor
1.5
timeliness_innovation
1.5
investment_perspective
2.0
market_value_relevance
1.0
team_institution_background
0.5
technical_barrier_competition
0.5
关键证据
TS-AC模型通过大规模药物-药物相互作用数据进行预训练
实验结果表明TS-AC始终优于现有的基准方法
该模型将有助于指导药物结构优化
真实性检查
否
AI评分总结
研究提出了一种基于迁移学习的活性悬崖预测模型（TS-AC），该模型通过大规模药物-药物相互作用数据进行预训练，显著提升了对新化合物的预测能力。实验结果显示，TS-AC在处理复杂化合物结构时表现优于传统方法，具备良好的可解释性，能够识别导致活性差异的关键结构。这一创新方法为药物发现和优化提供了新的思路，具有重要的应用潜力。