성능과 유사성 균형을 맞추는 기질 스코프 선택용 머신러닝 접근

실무 적용 가이드

기질 후보를 성능과 다양성의 균형으로 정렬해 실험 스코프를 더 합리적으로 정해본다.

1. 과거 반응 데이터로 기질과 성능 정보를 정리하고, 비교 기준이 되는 스코프 선택 규칙을 함께 정의한다.
2. ScopeBO 같은 방법으로 후보 기질 집합을 점수화해 성능과 다양성의 균형을 반영한다.
3. 상위 후보 집합을 작은 실험 세트로 먼저 시험해 예측된 우선순위가 실제 결과와 맞는지 본다.
4. 결과를 추가해 다시 점수화하고, 선택 규칙이 특정 화학군에 과도하게 치우치지 않는지 점검한다.

필요한 데이터

과거 반응 데이터, 각 기질의 구조 또는 지문 특징, 그리고 성능 지표와 유사성 계산에 필요한 정보가 필요하다.

결과 확인

선정된 스코프와 무작위 또는 단순 규칙 기반 스코프를 같은 조건에서 비교해 성능과 커버리지가 실제로 나아지는지 확인한다.

주의할 점

다양성만 높이거나 성능만 좇으면 대표성 없는 스코프가 되어, 좋은 점수에도 실제 실험 효율이 떨어질 수 있다.

이 가이드는 원문의 방법을 바탕으로 AI가 제안한 적용 방향입니다. 원문에 적힌 내용이 아니며 같은 결과가 재현된다는 보장도 아닙니다.