模拟酶抑制毒性离子液体从分子结构通过卷积神经网络模型通过卷积神经网络模型

科学领域:

• 计算化学是一种计算化学.
• 毒理学 毒理学 毒理学
• 机器学习 机器学习

背景情况:

• 定量结构-活性/属性关系 (QSAR/QSPR) 模型对于预测化学性质至关重要.
• 深度学习 (DL) 提供了先进的方法来处理QSAR/QSPR中的复杂数据关系.
• 离子液体 (ILs) 需要准确的毒性评估才能安全应用.

研究的目的:

• 开发和评估先进的DL模型,以预测ILs的乙胆酶抑制毒性.
• 为了比较基于CNN的特征提取与传统特征工程 (FE) 方法的性能.
• 建立一个智能工具来指导低毒性ILs的设计和选.

主要方法:

• 从IL结构中自动提取特征的卷积神经网络 (CNN) 模型的开发.
• 将CNN功能与支持矢量机 (SVM),随机森林 (RF) 和多层感知器 (MLP) 模型集成.
• 使用网格搜索和10倍交叉验证优化模型超参数.
• 基于CNN的模型与基于FE的模型 (FE-SVM,FE-RF,FE-MLP) 的比较.

主要成果:

• 与基于FE的模型相比,基于CNN的模型 (CNN-SVM,CNN-RF,CNN-MLP) 显示出明显改善的回归结果.
• 所有六个评估的模型都表现出良好的预测准确性.
• 在预测IL毒性方面,CNN集成模型的表现优于传统FE方法.
• 优化模型显示了比现有文献模型更好的性能.

结论:

• 对于自我学习和从IL结构中提取相关特征以进行毒性预测,CNN是有效的.
• 基于DL的QSAR/QSPR模型,特别是那些使用CNN的模型,提供了卓越的预测能力.
• 开发的模型是设计和选更安全的离子液体的宝贵计算工具.