論文の概要: Feature Space Selection and Heterogeneous Effect Estimation for Blood-Brain Barrier Permeability: A Random Forest to the Generalized Random Forest Pipeline

• arxiv url: http://arxiv.org/abs/2609.29076v1
• Date: Thu, 24 Sep 2026 06:05:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.745453
• Title: Feature Space Selection and Heterogeneous Effect Estimation for Blood-Brain Barrier Permeability: A Random Forest to the Generalized Random Forest Pipeline
• Title（参考訳）: 血液脳関門透水性の特徴空間選択と不均質効果の推定:一般的なランダム林路へのランダム林
• Abstract要約: 血液脳関門(BBB)の透過性の予測は中枢神経系薬物発見に重要である。 本研究は, 分子の特徴空間を体系的にアブラレートし, モデル構造から破砕物を分離する。
• 参考スコア（独自算出の注目度）: 0.27528170226206433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting blood-brain barrier (BBB) permeability is critical for central nervous system drug discovery. Using the MoleculeNet BBBP dataset (n = 2039), this study systematically ablates molecular feature spaces to isolate featurisation from model architecture. We evaluate three feature families (Morgan fingerprints, RDKit physicochemical descriptors, SMILES bigrams) across four learning algorithms. Results demonstrate that predictive performance depends jointly on feature representation and algorithm. Dynamic Random Forest using combined features achieved the highest mean AUC (0.970, 95% CI: 0.963-0.977). Second, this optimal representation enables exploratory estimation of heterogeneous associations between molecular structure and BBB permeability using Generalized Random Forests. Constructing a pseudo-treatment from a LogP median split, we applied double/debiased machine learning to account for confounding. Orthogonalization substantially attenuates the heterogeneity detected by naive causal forests; no conditional effects remained significant after false discovery rate correction (smallest adjusted p = 0.082). Furthermore, orthogonalized feature importance shifted toward residual structural information in SMILES bigrams. Ultimately, once observed confounding is properly accounted for, evidence that LogP-BBB associations vary systematically across chemical space is insufficient. This underscores that feature representation and model architecture are coupled design choices, and that unorthogonalized causal forests risk overstating genuine treatment effect heterogeneity.
• Abstract（参考訳）: 血液脳関門(BBB)の透過性の予測は中枢神経系薬物発見に重要である。 MoleculeNet BBBPデータセット(n = 2039)を用いて,分子の特徴空間を体系的にアブラレートし,モデルアーキテクチャから破局を分離する。 我々は4つの学習アルゴリズムを用いて3つの特徴群(モーガン指紋,RDKit物理化学的記述子,SMILESBigrams)を評価した。 その結果, 予測性能は特徴表現とアルゴリズムに大きく依存していることがわかった。 AUC(0.970, 95% CI: 0.963-0.977)の最高値を達成した。 第二に、この最適表現は、一般ランダムフォレストを用いた分子構造とBBB透過性の不均一な関係の探索的推定を可能にする。 擬似処理をLogPの中央値分割から構築し、二重/偏りの機械学習を適用し、欠点を考慮に入れた。 直交化は根本林で検出された不均一性を著しく抑制するが, 偽発見率補正後の条件付き効果は認められなかった(最小調整p = 0.082)。 さらに, 直交化特徴の重要性は, SMILESビッグラムの残留構造情報に移行した。 最終的に、観測された結合が適切に説明されると、LogP-BBB結合が化学空間にわたって体系的に変化するという証拠は不十分である。 このことは、特徴表現とモデルアーキテクチャが結合設計の選択であり、非直交した因果樹林が真の処理効果を過大評価するリスクがあることを示している。

関連論文リスト

• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• Rethinking Molecular OOD Generalization via Target-Aware Source Selection [10.102858221967791]
  SCOPE-BENCHは、明示的な物理化学的記述空間におけるクラスタレベルのパーティショニングに基づいて構築されたベンチマークである。 POMAは、知識伝達を検索-合成-適応パイプラインとして定式化するフレームワークである。 SCOPE-BENCHにおける最先端の3D分子モデルの予測誤差は平均5.9倍である。
  論文  参考訳（メタデータ） (2026-05-13T16:09:46Z)
• StomaD2: An All-in-One System for Intelligent Stomatal Phenotype Analysis via Diffusion-Based Restoration Detection Network [15.271094712265645]
  非侵襲的修復検出統合フレームワークであるStomaD2は、正確で高速な気腫性表現型を実現するために開発された。 このフレームワークは、劣化した画像を復元するための拡散ベースの復元モジュールと、ストマタの小さく、密度が高く、散らばった特性に合わせて特別に回転した物体検出ネットワークを備えている。 StomaD2の結果は、その強力な一般化性と、大規模な表現型化、植物生理学分析、精密農業への応用の可能性を強調している。
  論文  参考訳（メタデータ） (2026-04-18T17:33:03Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Hypothesis-free discovery from epidemiological data by automatic detection and local inference for tree-based nonlinearities and interactions [0.0]
  RuleSHAPはルールベースの仮説のない発見のためのフレームワークである。 シミュレーションデータにおけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-05-01T14:55:22Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work? [1.1050303097572156]
  両手法がL2損失下で同じパラメータと共起仮定で理解可能であることを示す。 ランダム化環境では、両方のアプローチはベンチマーク研究で新しいブレンドバージョンと同様に実行された。
  論文  参考訳（メタデータ） (2022-06-21T12:45:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。