新型SMILESの断片化と解釈可能なディープラーニングによる合成化学物質の毒性予測の強化

科学分野:

• コンピュータ化学
• 毒理学について
• 人工知能

背景:

• 伝統的な毒性の予測方法は解釈ができない.
• 化学薬品のリスク評価には,構造的警告 (SA) の特定が不可欠です.

研究 の 目的:

• 化学的毒性の予測とSAの特定のための解釈可能なディープラーニングの枠組みを開発する.
• SMILESの分散化戦略を評価する.

主な方法:

• SMILESの断片化と1Dコンボリューションニューラルネットワーク (SFDL) を統合するフレームワークを開発した.
• PubChem化合物に関する4つの断片化方法 (単原子,単シンボル,原子中心,シンボル中心) を評価した.
• 28,160の合成化学物質の毒性を予測するために,最も効率的なモデル (シンボル中心の断片化) を適用した.

主要な成果:

• シンボル中心の断片化アプローチは,変異性予測の優れた性能を達成した (AUC = 0.87,PRAUC = 0.90).
• SFDL- GenTok戦略は,10つの毒性エンドポイントのうち6つにおいて堅実な予測性能を示した (AUC = 0. 81/ 0. 93).
• ハロゲン化された断片,ニトロ/フェノル基,および電離性モチーフを含む内分泌障害,変異性,およびミトコンドリアの毒性に関連する主要な構造的警報を特定した.

結論:

• SFDL-GenTokの枠組みは,化学的毒性およびSAの識別のための解釈可能な効果的なツールを提供します.
• このアプローチは,合成化学物質が環境と人間の健康に及ぼすリスクを評価するのに大いに役立ちます.