In the modern drug discovery process, medicinal chemists deal with the complexity of analysis of large ensembles of candidate molecules. Computational tools, such as dimensionality reduction (DR) and classification, are commonly used to efficiently process the multidimensional space of features. These underlying calculations often hinder interpretability of results and prevent experts from assessing the impact of individual molecular features on the resulting representations. To provide a solution for scrutinizing such complex data, we introduce ChemVA, an interactive application for the visual exploration of large molecular ensembles and their features. Our tool consists of multiple coordinated views: Hexagonal view, Detail view, 3D view, Table view, and a newly proposed Difference view designed for the comparison of DR projections. These views display DR projections combined with biological activity, selected molecular features, and confidence scores for each of these projections. This conjunction of views allows the user to drill down through the dataset and to efficiently select candidate compounds. Our approach was evaluated on two case studies of finding structurally similar ligands with similar binding affinity to a target protein, as well as on an external qualitative evaluation. The results suggest that our system allows effective visual inspection and comparison of different high-dimensional molecular representations. Furthermore, ChemVA assists in the identification of candidate compounds while providing information on the certainty behind different molecular representations.

中文翻译：

---

ChemVA：虚拟筛选中化合物相似性的交互式可视化分析

在现代药物发现过程中，药物化学家处理大量候选分子分析的复杂性。计算工具，例如降维 (DR) 和分类，通常用于有效处理特征的多维空间。这些基础计算通常会阻碍结果的可解释性，并阻止专家评估单个分子特征对结果表示的影响。为了提供用于审查此类复杂数据的解决方案，我们引入了 ChemVA，这是一种交互式应用程序，用于对大分子集合及其特征进行可视化探索。我们的工具由多个协调视图组成：六边形视图、细节视图、3D 视图、表格视图和新提出的用于比较 DR 投影的差异视图。这些视图显示了 DR 预测以及每个预测的生物活性、选定的分子特征和置信度分数。这种视图的结合允许用户深入数据集并有效地选择候选化合物。我们的方法在两个案例研究中进行了评估，这些案例研究发现了对目标蛋白具有相似结合亲和力的结构相似配体，以及外部定性评估。结果表明，我们的系统可以对不同的高维分子表示进行有效的视觉检查和比较。此外，ChemVA 有助于识别候选化合物，同时提供有关不同分子表示背后确定性的信息。以及每个预测的置信度分数。这种视图的结合允许用户深入数据集并有效地选择候选化合物。我们的方法在两个案例研究中进行了评估，这些案例研究发现了对目标蛋白具有相似结合亲和力的结构相似配体，以及外部定性评估。结果表明，我们的系统可以对不同的高维分子表示进行有效的视觉检查和比较。此外，ChemVA 有助于识别候选化合物，同时提供有关不同分子表示背后确定性的信息。以及每个预测的置信度分数。这种视图的结合允许用户深入数据集并有效地选择候选化合物。我们的方法在两个案例研究中进行了评估，这些案例研究发现了对目标蛋白具有相似结合亲和力的结构相似配体，以及外部定性评估。结果表明，我们的系统可以对不同的高维分子表示进行有效的视觉检查和比较。此外，ChemVA 有助于识别候选化合物，同时提供有关不同分子表示背后确定性的信息。我们的方法在两个案例研究中进行了评估，这些案例研究发现了对目标蛋白具有相似结合亲和力的结构相似配体，以及外部定性评估。结果表明，我们的系统可以对不同的高维分子表示进行有效的视觉检查和比较。此外，ChemVA 有助于识别候选化合物，同时提供有关不同分子表示背后确定性的信息。我们的方法在两个案例研究中进行了评估，这些案例研究发现了对目标蛋白具有相似结合亲和力的结构相似配体，以及外部定性评估。结果表明，我们的系统可以对不同的高维分子表示进行有效的视觉检查和比较。此外，ChemVA 有助于识别候选化合物，同时提供有关不同分子表示背后确定性的信息。