Hi-MGT:用于毒性识别的混合分子图形变压器
Zhichao Tan1, Youcai Zhao1, Tao Zhou1
1The State Key Laboratory of Pollution Control and Resource Reuse, School of Environmental Science and Engineering, Tongji University, 1239 Siping Road, Shanghai 200092, China; Shanghai Institute of Pollution Control and Ecological Security, 1515 North Zhongshan Rd. (No. 2), Shanghai 200092, China.
这项研究引入了Hi-MGT,一种新的混合图形变压器,用于准确的毒性识别. 这种先进的非动物试验方法的性能优于现有的模型,提高了化学品安全评估.
科学领域:
- 计算毒理学计算毒理学
- 化学信息学 化学信息学
- 人工智能在药物发现中的作用
背景情况:
- 传统的基于动物的毒性测试是昂贵的,缓慢的,并且在道德上有问题.
- 对于有毒性评估而言,迫切需要可靠的非动物替代方法.
- 机器学习的进步为开发复杂的in silico毒性预测模型提供了潜力.
研究的目的:
- 引入Hi-MGT,一种用于毒性识别的新型混合图形变压器架构.
- 开发一种非动物测试方法,全面分析分子结构信息.
- 提高化学毒性预测的准确性和效率.
主要方法:
- 开发了一种混合图形变压器架构 (Hi-MGT),集成图形神经网络 (GNN) 和变压器.
- 实施了一种创新的GNN-GT组合策略,用于汇总本地和全球分子图信息.
- 进行超参数分析和废弃研究以验证模型组件和性能.
主要成果:
- 与基线CML和DL模型相比,Hi-MGT在各种毒性终点上表现出优异的性能.
- 该模型实现了与具有几何增强的大型GNN可比的性能.
- 提出了一种基于相似性的新方法来检测有毒部位,以帮助毒性分析.
结论:
- Hi-MGT代表了非动物毒性识别方法的重大进步.
- 该模型能够整合本地和全球分子特征,从而提高毒性预测的能力.
- 这种方法有望改善化学化合物的人类安全评估.
更多相关视频
11:38High Content Screening Analysis to Evaluate the Toxicological Effects of Harmful and Potentially Harmful Constituents HPHC
Published on: May 10, 2016
09:04Identifying Per- and Polyfluorinated Chemical Species with a Combined Targeted and Non-Targeted-Screening High-Resolution Mass Spectrometry Workflow
Published on: April 18, 2019
