Молекулы-соседи повышают точность предсказаний экспресс
Предсказать свойства новой молекулы — как угадать вкус незнакомого блюда. Программа работает как опытный повар: она «пробует» похожие молекулы, чьи свойства уже известны, и на основе их «вкуса» уточняет свою догадку. Например, для воды или углекислого газа алгоритм находит изученные аналоги и корректирует температуру кипения или растворимость.
Повар не просто копирует соседей — он оценивает, насколько можно доверять собственному прогнозу. Для этого используется мера неопределённости, подобная энтропии в физике: чем выше неуверенность, тем больше программа полагается на проверенные данные похожих веществ. Удивительно, что метод может работать с противоречивой информацией: он сам решает, какому «соседу» верить больше, взвешивая надёжность источников.
В итоге ошибка падает почти на 20% — примерно как если бы прогноз погоды стал точнее на пятую часть. И всё это без долгой перенастройки: алгоритм встраивает новые данные на лету, ускоряя поиск лекарств и материалов.
Оригинальная аннотация
как её написали авторы, на английском 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.
Лабораторное измерение одного свойства молекулы может занимать часы, а компьютерное предсказание — доли секунды. Новый метод делает такие расчёты почти на 20% точнее, не требуя дополнительных экспериментов.
Фантастический универсальный анализатор веществ становится реальнее: алгоритм уточняет свойства молекул без лаборатории, опираясь на опыт «соседей».