Evolutionary Strategy for Optimizing Neural Models for Compound Similarity Estimation
- Autores
- Hermann, Tobías J.; Vignolo, Leandro D.; Gerard, Matias F.
- Año de publicación
- 2025
- Idioma
- inglés
- Tipo de recurso
- artículo
- Estado
- versión publicada
- Descripción
- Molecular similarity evaluation is a key aspect of bioinfor- matics and poses a significant challenge when dealing with compounds with unknown structures. In this context, graph neural networks have proven effective in generating representations based on the topology of chemical reactions. However, designing these models and selecting their hyperparameters requires exploring a vast range of options. Evolutio- nary algorithms naturally arise as a solution for searching these exten- sive spaces, including the hyperparameter space of neural architectures. This study presents a comparison between a traditional hyperparameter search approach, based on expert knowledge, and a method leveraging evolutionary computation for the same task, specifically in compound similarity estimation. Using a predefined architecture, experiments are conducted to compare both approaches across different datasets. The re- sults indicate that the evolutionary computation-based method success- fully identifies suitable hyperparameters for the evaluated architecture, achieving a performance comparable to the expert-driven approach while eliminating the need for human intervention in the selection process.
La evaluación de similaridad molecular es clave en el ámbito de la bioinformática, y representa un reto significativo cuando se trata de compuestos cuya estructura no se conoce. En este contexto, los modelos neuronales en grafos han demostrado ser efectivos para obtener representaciones a partir de la topología de reacciones químicas. No obstante, el diseño de estos modelos, así como la selección de sus hiperparámetros, requiere la evaluación de un extenso rango de opciones. Los algoritmos evolutivos se presentan como una solución natural para explorar estos amplios espacios de búsqueda, incluyendo el espacio de hiperparámetros de las arquitecturas neuronales. Este estudio propone una comparación entre un enfoque tradicional de búsqueda de hiperparámetros, basado en la experiencia del experto, y un método que utiliza computación evolutiva para la misma tarea, específicamente en la estimación de similaridad entre compuestos. Utilizando una arquitectura predefinida, se llevan a cabo experimentos para comparar ambos enfoques en distintos conjuntos de datos. Los resultados indican que el método basado en computación evolutiva logra identificar hiperparámetros adecuados para la arquitectura evaluada, alcanzando un desempeño comparable al del enfoque experto, pero sin requerir la intervención del conocimiento humano para dicha selección.
Sociedad Argentina de Informática e Investigación Operativa - Materia
-
Ciencias Informáticas
graph neural networks
evolutionary computation
compound similarity
metabolic pathways
redes neuronales en grafo
computación evolutiva
similaridad entre compuesto
vías metabólicas - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/177971
Ver los metadatos del registro completo
id |
SEDICI_a9b20816bfec505449b7cf59765a7a60 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/177971 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Evolutionary Strategy for Optimizing Neural Models for Compound Similarity EstimationEstrategia evolutiva para la optimización de modelos neuronales de estimación de similaridad entre compuestosHermann, Tobías J.Vignolo, Leandro D.Gerard, Matias F.Ciencias Informáticasgraph neural networksevolutionary computationcompound similaritymetabolic pathwaysredes neuronales en grafocomputación evolutivasimilaridad entre compuestovías metabólicasMolecular similarity evaluation is a key aspect of bioinfor- matics and poses a significant challenge when dealing with compounds with unknown structures. In this context, graph neural networks have proven effective in generating representations based on the topology of chemical reactions. However, designing these models and selecting their hyperparameters requires exploring a vast range of options. Evolutio- nary algorithms naturally arise as a solution for searching these exten- sive spaces, including the hyperparameter space of neural architectures. This study presents a comparison between a traditional hyperparameter search approach, based on expert knowledge, and a method leveraging evolutionary computation for the same task, specifically in compound similarity estimation. Using a predefined architecture, experiments are conducted to compare both approaches across different datasets. The re- sults indicate that the evolutionary computation-based method success- fully identifies suitable hyperparameters for the evaluated architecture, achieving a performance comparable to the expert-driven approach while eliminating the need for human intervention in the selection process.La evaluación de similaridad molecular es clave en el ámbito de la bioinformática, y representa un reto significativo cuando se trata de compuestos cuya estructura no se conoce. En este contexto, los modelos neuronales en grafos han demostrado ser efectivos para obtener representaciones a partir de la topología de reacciones químicas. No obstante, el diseño de estos modelos, así como la selección de sus hiperparámetros, requiere la evaluación de un extenso rango de opciones. Los algoritmos evolutivos se presentan como una solución natural para explorar estos amplios espacios de búsqueda, incluyendo el espacio de hiperparámetros de las arquitecturas neuronales. Este estudio propone una comparación entre un enfoque tradicional de búsqueda de hiperparámetros, basado en la experiencia del experto, y un método que utiliza computación evolutiva para la misma tarea, específicamente en la estimación de similaridad entre compuestos. Utilizando una arquitectura predefinida, se llevan a cabo experimentos para comparar ambos enfoques en distintos conjuntos de datos. Los resultados indican que el método basado en computación evolutiva logra identificar hiperparámetros adecuados para la arquitectura evaluada, alcanzando un desempeño comparable al del enfoque experto, pero sin requerir la intervención del conocimiento humano para dicha selección.Sociedad Argentina de Informática e Investigación Operativa2025-04info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/177971enginfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/ejs/article/view/18821info:eu-repo/semantics/altIdentifier/issn/1514-6774info:eu-repo/semantics/altIdentifier/doi/10.24215/15146774e066info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:48:08Zoai:sedici.unlp.edu.ar:10915/177971Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:48:08.439SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Evolutionary Strategy for Optimizing Neural Models for Compound Similarity Estimation Estrategia evolutiva para la optimización de modelos neuronales de estimación de similaridad entre compuestos |
title |
Evolutionary Strategy for Optimizing Neural Models for Compound Similarity Estimation |
spellingShingle |
Evolutionary Strategy for Optimizing Neural Models for Compound Similarity Estimation Hermann, Tobías J. Ciencias Informáticas graph neural networks evolutionary computation compound similarity metabolic pathways redes neuronales en grafo computación evolutiva similaridad entre compuesto vías metabólicas |
title_short |
Evolutionary Strategy for Optimizing Neural Models for Compound Similarity Estimation |
title_full |
Evolutionary Strategy for Optimizing Neural Models for Compound Similarity Estimation |
title_fullStr |
Evolutionary Strategy for Optimizing Neural Models for Compound Similarity Estimation |
title_full_unstemmed |
Evolutionary Strategy for Optimizing Neural Models for Compound Similarity Estimation |
title_sort |
Evolutionary Strategy for Optimizing Neural Models for Compound Similarity Estimation |
dc.creator.none.fl_str_mv |
Hermann, Tobías J. Vignolo, Leandro D. Gerard, Matias F. |
author |
Hermann, Tobías J. |
author_facet |
Hermann, Tobías J. Vignolo, Leandro D. Gerard, Matias F. |
author_role |
author |
author2 |
Vignolo, Leandro D. Gerard, Matias F. |
author2_role |
author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas graph neural networks evolutionary computation compound similarity metabolic pathways redes neuronales en grafo computación evolutiva similaridad entre compuesto vías metabólicas |
topic |
Ciencias Informáticas graph neural networks evolutionary computation compound similarity metabolic pathways redes neuronales en grafo computación evolutiva similaridad entre compuesto vías metabólicas |
dc.description.none.fl_txt_mv |
Molecular similarity evaluation is a key aspect of bioinfor- matics and poses a significant challenge when dealing with compounds with unknown structures. In this context, graph neural networks have proven effective in generating representations based on the topology of chemical reactions. However, designing these models and selecting their hyperparameters requires exploring a vast range of options. Evolutio- nary algorithms naturally arise as a solution for searching these exten- sive spaces, including the hyperparameter space of neural architectures. This study presents a comparison between a traditional hyperparameter search approach, based on expert knowledge, and a method leveraging evolutionary computation for the same task, specifically in compound similarity estimation. Using a predefined architecture, experiments are conducted to compare both approaches across different datasets. The re- sults indicate that the evolutionary computation-based method success- fully identifies suitable hyperparameters for the evaluated architecture, achieving a performance comparable to the expert-driven approach while eliminating the need for human intervention in the selection process. La evaluación de similaridad molecular es clave en el ámbito de la bioinformática, y representa un reto significativo cuando se trata de compuestos cuya estructura no se conoce. En este contexto, los modelos neuronales en grafos han demostrado ser efectivos para obtener representaciones a partir de la topología de reacciones químicas. No obstante, el diseño de estos modelos, así como la selección de sus hiperparámetros, requiere la evaluación de un extenso rango de opciones. Los algoritmos evolutivos se presentan como una solución natural para explorar estos amplios espacios de búsqueda, incluyendo el espacio de hiperparámetros de las arquitecturas neuronales. Este estudio propone una comparación entre un enfoque tradicional de búsqueda de hiperparámetros, basado en la experiencia del experto, y un método que utiliza computación evolutiva para la misma tarea, específicamente en la estimación de similaridad entre compuestos. Utilizando una arquitectura predefinida, se llevan a cabo experimentos para comparar ambos enfoques en distintos conjuntos de datos. Los resultados indican que el método basado en computación evolutiva logra identificar hiperparámetros adecuados para la arquitectura evaluada, alcanzando un desempeño comparable al del enfoque experto, pero sin requerir la intervención del conocimiento humano para dicha selección. Sociedad Argentina de Informática e Investigación Operativa |
description |
Molecular similarity evaluation is a key aspect of bioinfor- matics and poses a significant challenge when dealing with compounds with unknown structures. In this context, graph neural networks have proven effective in generating representations based on the topology of chemical reactions. However, designing these models and selecting their hyperparameters requires exploring a vast range of options. Evolutio- nary algorithms naturally arise as a solution for searching these exten- sive spaces, including the hyperparameter space of neural architectures. This study presents a comparison between a traditional hyperparameter search approach, based on expert knowledge, and a method leveraging evolutionary computation for the same task, specifically in compound similarity estimation. Using a predefined architecture, experiments are conducted to compare both approaches across different datasets. The re- sults indicate that the evolutionary computation-based method success- fully identifies suitable hyperparameters for the evaluated architecture, achieving a performance comparable to the expert-driven approach while eliminating the need for human intervention in the selection process. |
publishDate |
2025 |
dc.date.none.fl_str_mv |
2025-04 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Articulo http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo |
format |
article |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/177971 |
url |
http://sedici.unlp.edu.ar/handle/10915/177971 |
dc.language.none.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/ejs/article/view/18821 info:eu-repo/semantics/altIdentifier/issn/1514-6774 info:eu-repo/semantics/altIdentifier/doi/10.24215/15146774e066 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616344082841600 |
score |
13.070432 |