L16 · 22 دقيقة
بيانات → تمثيل → نموذج → تحقّق
بدون بيانات جيدة النموذج مسرح.
أهداف التعلّم
- كتابة خط التعلم الآلي: بيانات → تمثيل → نموذج → تحقّق.
- اعتبار جودة البيانات أسبق من اختيار الخوارزمية.
- كشف تسريب التقييم وانزياح التوزيع كمصادر فشل أولى.
بدون بيانات جيدة النموذج مسرح
التعلم الآلي في الاكتشاف الدوائي ليس سحراً: جدول نشاطات صاخب، تمثيل جزيئي، خوارزمية تُلائم، وبروتوكول يقول هل سيعمّم. معظم الفشل يحدث قبل fit: IC50 مخلوطة الوحدات، تسريب النظائر بين تدريب واختبار، أو تمثيل يتجاهل stereochemistry. الخوارزمية الأخيرة في الطابور.
الخط بترتيب المسؤولية
1بيانات
مصدر الفحص، الوحدات، تكرار القياس، إزالة التكرار البنيوي.
2تمثيل
واصفات، بصمات، رسوم، أو تسلسل — قرار كيميائي.
3نموذج
تعقيد يناسب N. غابة على مئة صف ليست جبناً.
4تحقّق
تقسيم صادق، نطاق تطبيق، ومعايرة الخطأ.
انزياح التوزيع
- Scaffold جديد في الإنتاج لم يُرَ في التدريب.
- تغيّر بروتوكول الفحص مع الزمن.
- مكتبة فرز أوسع كيميائياً من ChEMBL التاريخي.
لماذا؟ — لماذا ندرّس الخط قبل الشبكات؟
لأن شبكة على بيانات مسربة «تنجح» بسهولة وتُعلّم عادة سيئة. الخط الصحيح يجعل حتى الانحدار الخطي ورقة يمكن الدفاع عنها، ويجعل الشبكة مسؤولة عن تعميم حقيقي.
ماذا لو؟ — ماذا لو درّبت على ChEMBL ثم اختبرت على نفس ChEMBL بعد إعادة تقسيم عشوائي ونشرت AUC كدليل اكتشاف؟
قياس استرجاع أدبيات لا اكتشاف. المحكّم يطلب scaffold split أو زمني ومقارنة مع تشابه بسيط كخط أساس. إن لم تهزم Tanimoto nearest neighbour فلا مبرر للنموذج المعقد.
تمرين
اكتب أربعة بنود checklist قبل fit.
مواضيع مرتبطة