化学的生態学的な予測のための機械学習とディープグラフ学習の比較評価

科学分野:

• 環境科学
• コンピュータ化学
• 毒理学について

背景:

• 化学的生体毒性の評価は環境保護にとって極めて重要ですが,実験試験の時間と費用がかかるため,課題に直面しています.
• 伝統的なエコ毒性試験の限界を克服するには,正確な予測方法が不可欠です.

研究 の 目的:

• 化学品の生態学的な予測のための機械学習とグラフベースの学習の適用を包括的に分析する.
• 異なる水生生物種の生態学毒性を予測する様々なモデルのパフォーマンスを評価する.

主な方法:

• 分子表現 (モルガン,MACCS,Mol2vec),機械学習アルゴリズム (KNN,NB,RF,SVM,XGB,DNN) とグラフニューラルネットワーク (GAT,GCN,MPNN,Attentive FP,FPGNN) の組み合わせを使用して161のモデルを構築した.
• 魚,甲殻類,藻類の生態学毒性を予測するためのモデル性能の評価,同種およびクロス種の予測を含む.

主要な成果:

• グラフコンヴォルションネットワーク (GCN) は,魚,甲殻類,藻類の生態学毒性を予測する上で,全体的に最高のパフォーマンスを示した.
• GCNモデルでは,同一種の予測でROC曲線 (AUC) の下に高い面積 (0.982-0.992) を達成した.
• 種間予測では,GATとGCNがリードする性能が低下したが,MACCSの指紋を持つDNNは,未確認の化学物質 (AUC 0. 821) で最も優れた性能を示した.

結論:

• 計算による予測方法,特にGCNは,同種の生態学毒性の評価に有効です.
• さまざまな種の化学的エコ毒性を正確に予測する上で大きな課題が残っており,さらなる研究が必要であることを強調しています.
• 環境毒性予測のための Web サーバーが利用可能で,環境リスクの評価に役立ちます.