kMoL：助力药物研发的开源联邦学习利器

为解决药物研发中数据隐私与模型性能提升的矛盾，相关研究人员开展 kMoL 开源库研究，其性能良好且灵活，为药物研发提供新途径。

　　在药物研发的奇妙世界里，机器学习正逐渐成为关键角色，尤其是在定量构效关系（QSAR）和吸收、分布、代谢和排泄（ADME）等任务中。其中，图卷积网络（GCN）模型凭借其对分子结构基于图的独特表示能力，备受关注。然而，现实中却有一道难以跨越的 “鸿沟”—— 数据隐私和安全问题。在药物研发领域，数据是各大公司的核心资产，保护数据至关重要。但与此同时，为了让机器学习模型性能更优、更可靠，需要整合多方数据，而这又不可避免地涉及数据共享，数据隐私风险也随之增加。这一矛盾使得像 GCN 这样有潜力的模型无法充分发挥作用，成为药物研发路上的 “绊脚石”。

为了搬开这块 “绊脚石”，相关研究人员开启了探索之旅，研发出了 kMoL，这是一个集成联邦学习能力的开源机器学习库，主要用于药物研发流程。相关研究成果为药物研发带来了新的曙光，该研究成果为药物研发提供了一个强大且灵活的工具，有望推动药物研发领域在保护数据隐私的同时提升模型性能，相关研究成果发表在《Journal of Cheminformatics》期刊上。

研究人员在开展这项研究时，运用了多种关键技术方法。首先，kMoL 构建了独特的架构，包含机器学习和联邦学习两个主要部分。其中，通过多种数据预处理组件，如加载器（Loaders）、特征化器（Featurizers）等，对原始数据进行处理。支持多种模型架构，包括基于图的架构、混合图架构和多模态架构等。采用贝叶斯优化方法调整模型参数，并运用联邦学习技术实现数据在隐私保护下的共享与模型训练，同时使用多种数据集进行实验评估。

下面来看看具体的研究结果。

• 实验设计：研究人员精心设计了实验，一方面用多种数据集测试 kMoL 构建模型的能力，另一方面对比联邦学习与传统本地训练策略的优劣。使用贝叶斯优化进行架构搜索和超参数调整，再用五折交叉验证评估模型性能。在基准测试实验中，用 MoleculeNet 数据集评估 kMoL 并与其他先进方法对比；在联邦学习实验中，用 Toxicity 和 DruMAP ADME 等数据集，按不同联邦学习策略训练模型，与本地训练的基线模型对比。
• 基准测试实验：在 MoleculeNet 数据集上的基准测试实验中，研究人员通过贝叶斯优化进行架构搜索和超参数调整，每个数据集进行 25 次试验，每次试验 100 个 epoch。用五折交叉验证评估最佳模型，确保性能可靠。结果表明，使用 kMoL 训练的机器学习模型至少与当前最先进的模型相当，这为后续的联邦学习实验奠定了良好基础。
• 联邦学习实验：联邦学习实验使用了 Toxicity 和 ADME 两类数据集。在实验过程中，采用了贝叶斯优化和交叉验证，针对样本较少的数据集，通过多次交叉验证并取平均值来确保结果可靠。实验还对比了多种聚合策略，如简单平均、加权平均和基准平均，同时分析了数据集分割和训练时长的影响。实验结果通过图表展示，详细数据在补充信息中。

在研究结论与讨论部分，基准测试实验显示，kMoL 在多种任务上表现出色，能构建可靠的机器学习模型。联邦学习实验则发现，小数据集指标变异性大，分类任务受联邦学习影响较小，回归任务受影响较大，聚合策略对模型性能影响有限，联邦学习性能损失随客户端数量增加而增加，但分类任务损失较小。总体而言，kMoL 为药物研发中的联邦学习提供了实用工具，不过仍有改进空间。未来可引入更多相关公共数据集，研究更好的聚合策略，尤其是针对回归任务，以提升模型在药物研发中的性能和可靠性。这一研究成果为药物研发开辟了新道路，有望在保护数据隐私的同时，更高效地研发出创新药物，造福人类健康。