07.07.2026, 10:00 Uhr
Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien
Titel: Asymmetric Shape Similarity Learning for Lipophilic Molecules
Using Ordered Embedding Spaces
Kurzfassung:
Diese Arbeit untersucht, ob Geometric Deep Learning molekulare Embeddings erlernen
kann, die Gaussian Shape Overlap für das Virtual Screening hydrophober Moleküleigenschaften
emulieren. Traditionelle shape-basierte Screening-Methoden sind rechenintensiv
und arbeiten auf groben Pharmakophor-Repräsentationen, was ihre Skalierbarkeit
für große Compound Libraries einschränkt. Wir schlagen GaussianMatch vor, ein neuronales
Embedding-Framework, das hochaufgelöste hydrophobe Density Point Clouds mittels
hierarchischer Graph Neural Networks kodiert und entweder mit Order-Embedding-
Constraints oder Tversky-Similarity-Regression trainiert wird. Während das Regressionsmodell
eine akzeptable globale Korrelation (Spearman 0,81) mit Referenz-Gaussian-
Overlap-Werten erreicht, zeigen Analysen des Embedding Space Shortcut Learning hin zu
trivialen größenbasierten Features, und die Virtual-Screening-Performance bleibt deutlich
unter der CDPKit-Baseline. Die eingeführte Data Pipeline für hydrophobe Point Clouds
sowie die systematische Diagnose der Failure Modes bilden eine Grundlage für zukünftige
Forschung zu Shortcut Learning und Target-spezifischer Generalisierung im gelernten
shape-basierten Screening.