Genau Fingerabdrücke verbessern Vorhersagen, Einfluss auf Bayesian Optimierung

In der Molekülforschung werden Fingerabdrücke häufig mit Hash‑Funktionen erzeugt, um komplexe Strukturen in kompakte Vektoren zu überführen. Diese Technik führt jedoch zu Kollisionen: unterschiedliche Teilstrukturen erhalten dieselbe Feature‑Kennung, was die Berechnung von Ähnlichkeiten verfälscht. Das neue Papier untersucht, ob der Einsatz von exakten Fingerabdrücken – also ohne Kompression – die Genauigkeit bei der Vorhersage molekularer Eigenschaften steigert und ob sich dies auch in der Bayesian‑Optimierung auswirkt.

Die Autoren haben fünf Benchmark‑Datensätze aus dem DOCKSTRING‑Katalog analysiert. Dabei zeigte sich, dass exakte Fingerabdrücke die Vorhersagegenauigkeit der zugrunde liegenden Gaußschen Prozess‑Modelle leicht, aber konsequent verbessern. Die Verbesserung ist zwar moderat, aber statistisch signifikant und deutet darauf hin, dass die Reduktion von Hash‑Kollisionen die Modellleistung positiv beeinflusst.

In der Bayesian‑Optimierung, bei der die gleichen Modelle zur Auswahl neuer Moleküle eingesetzt werden, war der Effekt jedoch kaum spürbar. Die Optimierungsleistung blieb nahezu unverändert, was darauf hindeutet, dass die Optimierungsstrategie selbst weniger empfindlich auf die feinen Unterschiede in der Fingerabdruckdarstellung reagiert.

Zusammenfassend zeigt die Studie, dass exakte Fingerabdrücke die Vorhersagequalität in molekularen Property‑Prediction‑Aufgaben leicht erhöhen, während die Auswirkungen auf Bayesian‑Optimierungsprozesse minimal bleiben. Für Forscher, die höchste Präzision bei der Modellierung benötigen, empfiehlt sich daher der Einsatz von exakten Fingerabdrücken, während die Optimierungsalgorithmen weitgehend unverändert bleiben können.