第8名解决方案 - AVGP3 + Rosetta

首先，我们非常高兴能参与这样一场非同寻常且有趣的比赛，非常感谢组织者以及在比赛期间无私分享知识的竞争对手们：@vslaykovsky, @oxzplvifi, @dschettler8845, @kvigly55, @cdeotte, @shlomoron …… 如果我遗漏了谁，请告诉我。

非常感谢我伟大的团队 QuData：@synset, @alexz0, @kerrit 和 @semenb，你们太棒了！尽管乌克兰持续停电，火箭弹就在头顶爆炸，我们依然享受沉浸在生物化学的世界中。

AVGP3

在比赛开始时，我们注意到 https://www.kaggle.com/code/vslaykovsky/nesp-thermonet 这种方法对热稳定性预测有很大贡献。

我们研究了这篇文章 https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1008291 中的材料，决定尝试不同的神经网络架构，最终采用了 Resnet-3D，公榜得分为 0.488。

然后我们想知道网络的哪些部分真正影响了结果。通过迭代剪枝网络，我们得出了一个相当简单的架构：

def forward(self, x): 
    x = x.mean(axis=(2,3,4))
    return -x[:,3]

输入使用了与 Thermonet 工作相同的形状：(14,16,16,16)。

这个模型在公榜上的指标为 0.477。因此，对单个参数 hbond_donor（氢键供体）进行平均得出了相当高的结果。

为了改进指标，我们使用 molekulekit 工具构建了不同版本的特征描述符。最佳参数为：boxsize:16, voxelsize: 0.5，这将公榜分数提高到了 0.482。这个我们称之为 AVGP3 的模型成为了我们最终集成解决方案的一部分。

Rosetta

感谢这个笔记本 https://www.kaggle.com/code/oxzplvifi/deletion-specific-ensemble，我们注意到 Rosetta 分数也能很好地预测热稳定性。

在集成中结合两种方法（0.5 rosetta + 0.5 AVGP3），我们在公榜上得到了 0.590，最终在私榜上得到了 0.540（第4名）。但不幸的是，我们在最终提交中没有选择这个结果。

接下来，AVGP3 的结果与

同比赛其他方案