一个具有透明决策过程的图形神经网络模型定义了环境雌激素查的适用性领域

科学领域:

• 计算化学是一种计算化学.
• 环境毒理学环境毒理学
• 在化学安全领域的机器学习.

背景情况:

• 深度学习 (DL) 模型越来越多地用于选环境雌激素 (EEs),但往往缺乏透明度和可靠的适用性域 (AD) 特性.
• 目前用于EE选的DL模型的预测可靠性不确定,这限制了它们在化学品管理中的实际应用.

研究的目的:

• 开发一个透明可靠的深度学习模型来选环境雌激素 (EEs).
• 改进用于化学安全评估的DL模型的适用性领域 (AD) 描述和决策透明度.

主要方法:

• 为EE查开发了一个图形神经网络 (GNN) 模型.
• 利用基于模型特征 (FT) 的类似网络相似度图 (NSG) 来探索GNN的决策过程.
• 提出了一种AD的表征方法 (AD_FT),以排除不可靠的预测.

主要成果:

• 在EE查方面,GNN模型实现了高准确率88.9% (内部) 和92.5% (外部).
• 发现预测准确性取决于NSG中的化合物的特征分布.
• 通过改进预测可靠性,AD_FT方法将GNN模型的F1得分提高了15%.
• 在中国现有化学物质库存中使用GNN模型与AD确定了800个潜在的EEs.

结论:

• 使用AD_FT的GNN模型为选环境雌激素 (EEs) 提供了一个高效和透明的工具.
• 这种方法提高了在化学品管理和风险评估中DL预测的可靠性.
• 这项研究为环境科学中深度学习模型的可解释性提供了新的见解.