面向大规模虚拟筛选的并行增量图贝叶斯优化

摘要

针对分子对接等传统方法在大规模虚拟筛选任务中面临时间成本过高甚至难以完成的问题，提出一种融合增量学习的并行图贝叶斯优化框架，用于高效执行大规模虚拟筛选任务。其利用深度图贝叶斯优化框架进行筛选，通过并行化扩展支持在多台服务器的多个计算节点上灵活部署，从而显著提高计算效率。同时，针对代理模型训练时间较长的问题，引入增量学习训练策略予以解决，并设计指数移动平均及回放机制以缓解增量学习中的灾难性遗忘问题。实验结果表明，深度图贝叶斯优化框架仅需对接化合物库中6%的分子即可筛选出优秀分子集合中96%以上的分子;在采用4个计算节点时，并行化框架较串行框架节省了71%的时间成本;在增量学习策略的加持下，总运行时间进一步减少13.8%，同时仍能筛选出优秀分子集合中93.7%的分子。综上，所提出的方法能在大幅降低虚拟筛选时间成本的同时保持筛选性能。

关键词

并行 / 虚拟筛选 / 贝叶斯优化 / 增量学习