MoleculeNet: эталонный набор для машинного обучения молекул

За последние несколько лет машинное обучение молекул быстро развивалось. Совершенствование методов и появление более крупных наборов данных позволили алгоритмам машинного обучения делать всё более точные прогнозы свойств молекул. Однако прогресс в разработке алгоритмов был ограничен отсутствием стандартного эталонного набора для сравнения эффективности предлагаемых методов; большинство новых алгоритмов тестируется на различных наборах данных, что затрудняет оценку качества предлагаемых методов. В данной работе представлен MoleculeNet — крупномасштабный эталонный набор для машинного обучения молекул. MoleculeNet объединяет и систематизирует несколько общедоступных наборов данных, устанавливает метрики оценки и предоставляет высококачественные реализации с открытым исходным кодом нескольких ранее предложенных алгоритмов формирования молекулярных признаков и обучения, выпущенные в составе библиотеки DeepChem с открытым исходным кодом. Результаты тестирования в MoleculeNet показывают, что обучаемые представления являются мощным инструментом машинного обучения молекул и в целом обеспечивают наилучшие результаты. Однако этот вывод имеет оговорки. Обучаемые представления по-прежнему испытывают трудности при решении сложных задач в условиях нехватки данных и сильно несбалансированной классификации. Для наборов данных квантово-механической и биофизической природы использование физически информированных представлений может быть более важным, чем выбор конкретного алгоритма обучения.