研究人员发现，常用的分子性质模型评估方法存在重大缺陷，特别是用于 ADMET（吸收、分布、代谢、排泄和毒性）预测的模型。一种新的“结构前沿”拆分方法，保留了化学上最偏远的支架组，揭示了标准的基于支架的拆分可能会隐藏重大的性能下降。与标准对照相比，这种前沿拆分将主要误差中值提高了 87.0%，表明当前的评估实践可能高估了模型对新化学结构的可靠性。 AI
影响 强调了化学信息学中需要更鲁棒的评估指标，以确保对新分子结构的可靠预测。
排序理由 该项目是一篇研究论文，详细介绍了特定领域中机器学习模型的新评估方法。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
