自信を持って予測する：創薬におけるコンフォーマル予測の使用

予測モデリングの課題の1つは、新しいオブジェクトに対するモデルの予測の信頼性を定量化する方法です。この作業では、従来の機械学習アルゴリズムの上にあるフレームワークであり、各予測オブジェクトに固有の予測間隔のQSARモデルからの予測に有効な信頼推定値を出力するフレームワークである、コンフォーマル予測の紹介を示します。回帰の場合、予測間隔は上限と下限で構成されます。分類の場合、予測間隔は、潜在的なクラスの多く、1つ、または多くのクラスを含むセットです。予測間隔のサイズは、ユーザー指定された信頼性/有意性レベル、および予測されるオブジェクトの不適合の影響を受けます。すなわち、不適合関数によって定義されている奇妙さ。Conpormal Predictionは、エラーレートを保証するためのIn Silicoモデリングの厳密で数学的に証明されたフレームワークと、基礎となる機械学習モデルに本質的にリンクされたモデルの適用可能性ドメインの一貫した処理を提供します。コンフォーマル予測の概念と種類の導入とは別に、コンフォーマル予測を使用してABCトランスポーターをモデリングするためのアプリケーションの例と、創薬への一般的な影響に関する議論も提供します。

One of the challenges with predictive modeling is how to quantify the reliability of the models' predictions on new objects. In this work we give an introduction to conformal prediction, a framework that sits on top of traditional machine learning algorithms and which outputs valid confidence estimates to predictions from QSAR models in the form of prediction intervals that are specific to each predicted object. For regression, a prediction interval consists of an upper and a lower bound. For classification, a prediction interval is a set that contains none, one, or many of the potential classes. The size of the prediction interval is affected by a user-specified confidence/significance level, and by the nonconformity of the predicted object; i.e., the strangeness as defined by a nonconformity function. Conformal prediction provides a rigorous and mathematically proven framework for in silico modeling with guarantees on error rates as well as a consistent handling of the models' applicability domain intrinsically linked to the underlying machine learning model. Apart from introducing the concepts and types of conformal prediction, we also provide an example application for modeling ABC transporters using conformal prediction, as well as a discussion on general implications for drug discovery.