JCIM｜机器学习驱动的数据估值：优化高通量筛选流程的前沿探索

高通量筛选（HTS）是现代药物发现中的核心方法，但其面临高误报率、数据不平衡和筛选效率低等挑战。为了优化HTS流程，Joshua Hesse等人提出了一种基于机器学习的数据估值方法，通过为数据点分配价值评分，提高HTS的有效性和预测能力。该方法不仅减少了不必要的后续验证实验，还提高了筛选结果的准确性和效率。研究结果表明，结合数据估值的主动学习方法在25个生物靶标的HTS数据集上显著提高了预测性能，减少了误报，并提升了真阳性样本的筛选精度。未来，机器学习和数据估值技术有望进一步优化HTS流程，提高药物发现的效率和成功率。