Des molécules voisines pour des prédictions plus précises express
Prédire les propriétés d'une nouvelle molécule, c'est un peu comme deviner le goût d'un plat inconnu. Le programme agit comme un chef expérimenté : il « goûte » des molécules similaires dont les propriétés sont déjà connues, et à partir de leur « saveur », il affine son estimation. Par exemple, pour l'eau ou le dioxyde de carbone, l'algorithme trouve des analogues étudiés et corrige la température d'ébullition ou la solubilité.
Le chef ne se contente pas de copier ses voisins : il évalue à quel point il peut se fier à sa propre prédiction. Pour cela, on utilise une mesure d'incertitude semblable à l'entropie en physique : plus l'incertitude est grande, plus le programme s'appuie sur les données vérifiées de substances similaires. Étonnamment, la méthode peut fonctionner avec des informations contradictoires : elle décide elle-même à quel « voisin » se fier davantage, en pondérant la fiabilité des sources.
Au final, l'erreur chute de près de 20 % — un peu comme si les prévisions météo devenaient plus précises d'un cinquième. Et tout cela sans long réglage : l'algorithme intègre les nouvelles données à la volée, accélérant la recherche de médicaments et de matériaux.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2607.11091
A trained molecular property model can be refined at test time by correcting each prediction with the measured labels of the most similar training molecules, a retraining-free procedure we call neighbor fusion; evidential neural networks make it principled by using their aleatoric and epistemic uncertainty to parameterize a Bayesian update. Our main contribution, PG-EVIKAL, learns a property-distance metric to re-rank structurally similar neighbors by their property relevance before fusion, building on EVIKAL (scalar Kalman filter) and GP-EVIKAL (Gaussian process variant handling correlated neighbors). Evaluated on 16 molecular datasets, PG-EVIKAL reduces RMSE relative to the evidential model baseline on 14 of them, with a median reduction of 19.4%, and improves calibration; in sequential-assay scenarios it further incorporates newly measured molecules, refining predictions as they arrive without retraining. This work demonstrates that evidential uncertainty decomposition is not merely a calibration objective but an actionable inference resource that enables test-time refinement of molecular property predictions.
Mesurer une propriété d'une molécule en laboratoire peut prendre des heures, alors qu'une prédiction informatique ne prend que des fractions de seconde. La nouvelle méthode rend ces calculs près de 20 % plus précis, sans nécessiter d'expériences supplémentaires.
L'analyseur universel de substances, digne de la science-fiction, se rapproche de la réalité : l'algorithme affine les propriétés des molécules sans laboratoire, en s'appuyant sur l'expérience de ses « voisins ».