论文解读 · 2026年10月17日
并非所有无标签数据都一样：利用大规模化学数据库进行半监督QSAR建模时的无标签数据选择
Not All Unlabeled Data Are Equal: Unlabeled Data Selection for Semi-Supervised QSAR Modeling with Large Chemical Repositories
从ChEMBL的40多万个无标签分子中用4种方式进行选择并输入半监督学习QSAR模型，结果显示，少量选择化学上距离较远的分子带来了最稳定的性能提升。
问题
QSAR（根据分子结构预测生物活性的模型）由于活性测定需要昂贵的实验，标签数据很少。而ChEMBL等化学数据库中有数百万个无标签分子。这些数据能否用于半监督学习，如果能用，又应该选择哪些无标签数据，几乎没有被研究过。
方法
使用了从ChEMBL中提取的10个QSAR数据集，以及超过40万个分子的无标签分子池。将3种现有半监督学习算法（self-training、co-training、label propagation）与4种无标签数据选择策略（随机、近邻、远邻、混合采样）组合，并与监督学习基线模型进行比较。
结果
- 作者报告称，在全部10个数据集上，都至少有一种半监督学习配置优于监督学习基线模型。
- 最稳定的提升通常出现在选取化学上距离较远、数量相对较少的分子时。
- 作者认为，无标签数据的构成可能比数量更重要，这与“半监督学习需要大量无标签数据”的通常看法不同。
局限
本分析基于摘要。由于未能看到正文，无法确认提升幅度、评估指标以及各数据集之间的差异。根据摘要，实验仅限于从ChEMBL中选取的10个数据集和3种现有半监督学习算法。此外，“至少一种配置优于基线”这一结果，在事先无法知道该选哪种配置的实际情况中，未必能照样复现。
意义
在新药研发早期阶段这类实验标签成本高昂的领域，本研究提出了一个实用方向：无需额外成本即可利用公开化学数据库改进预测模型。“选得好”比“放得多”更重要这一点，对其他数据稀缺领域也有参考价值。
关键术语
- QSAR(Quantitative Structure-Activity Relationship)
- 根据分子的化学结构预测其生物活性（例如对靶蛋白的抑制程度）的模型。
- 半监督学习（Semi-Supervised Learning）
- 同时使用少量有标签数据和大量无标签数据来训练模型的方法。
- Self-training
- 模型自行为无标签数据打上预测标签，再将其用作训练数据的半监督学习技术。
原文
作者: Oliver Majer, Saso Dzeroski, Jurica Levatic · 发布 2026-10-15 · 许可 arXiv 비독점 배포 라이선스 · 基于摘要分析
本解读是 AI 阅读论文后撰写的摘要，请以论文原文为准。