元学习在测定异质性条件下的少样本生物活性预测

arXiv:2610.07079v1 公告类型：新 摘要：准确的生物活性预测是药物早期发现中的核心挑战，因为单个测定通常包含的测量数据过少，无法独立训练出可靠的模型。元学习为这种少样本场景提供了一种有原则的方法，但测定异质性可能会限制其有效性。在本文中，我们验证了这一假设，并表明随着元训练任务异质性的增加，元学习的性能会下降。为应对这一问题，我们提出了 MetaHeta，一种能够考虑测定异质性的元学习框架。该框架利用相关测定中的辅助数据对预测进行条件化，其中相关性可根据现有测定信息灵活定义。MetaHeta 的架构结合了针对大型辅助数据集的线性注意力和针对稀缺任务特定上下文的精确注意力，从而在不影响后者精确注意力的情况下，实现对前者的高效扩展。我们在 ChEMBL 和 BindingDB 的测定数据上展示了该方法的优势：它提升了少样本生物活性预测的性能，并改善了回顾性贝叶斯优化中的下游化合物优先级排序。