基于分子图的适用性领域对比学习使图注意力网络模型能够准确预测15个环境终点
Haobo Wang1, Wenjia Liu1, Jingwen Chen1
1Key Laboratory of Industrial Ecology and Environmental Engineering (Ministry of Education), Dalian Key Laboratory on Chemicals Risk Control and Pollution Prevention Technology, School of Environmental Science and Technology, Dalian University of Technology, Dalian 116024, China.
新的图表注意力网络 (GAT) 模型准确地预测化学特性和环境命运,优于以前的方法. 这些模型通过一种新的适用性领域方法来增强,实现化学安全评估的基准性能.
科学领域:
- 计算化学和毒理学计算化学和毒理学
- 环境科学和风险评估
- 在化学安全领域的机器学习应用.
背景情况:
- 准确预测物理化学性质和环境命运对于化学品管理至关重要.
- 现有的in silico模型在性能和适用性领域面临限制.
- 需要强大的计算工具来选大型化学库存的环境危害.
研究的目的:
- 开发和验证先进的图形注意力网络 (GAT) 模型,用于预测15种化学终点.
- 引入和整合一种基于结构-活动格局 (SAL) 的新型适用性域 (AD_SAL),以提高模型可靠性.
- 评估GAT模型与AD_SAL相结合的性能,用于选大型化学数据集.
主要方法:
- 构建GAT模型,使用15个环境终点的分子图表表示.
- 计算分子相似度密度 (ρs) 和活性不一致性 (IA) 用于适用性领域的表征.
- 集成分子图对比学习来定义AD_SAL{ρs,IA}用于模型改进.
主要成果:
- 与最先进的方法相比,GAT模型在所有终点上都表现出卓越的性能.
- 新的AD_SAL{ρs,IA}显著提高了预测确定系数 (R2) 的平均14.4%,在所有终点上实现R2>0.9.
- 模型成功选了大约10^6种化学物质的持久性,流动性和生物积累潜力.
结论:
- 开发的GAT模型与AD_SAL相结合,在预测毒理学和环境风险评估方面取得了重大进展.
- 改进后的模型提供了可靠的预测和强大的应用领域,为未来的in silico建模设定了新的基准.
- 这种方法有助于对大量化学品库存进行有效和准确的选,支持健全的化学品管理策略.
更多相关视频
07:35Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
Published on: October 11, 2018
16:02Demonstration of the Sequence Alignment to Predict Across Species Susceptibility Tool for Rapid Assessment of Protein Conservation
Published on: February 10, 2023
相关概念视频
End Point Prediction: Gran Plot
For potentiometric titration, the Gran plot is created by plotting...
Predicting Reaction Outcomes
Applications of Molecular Taxonomy
Predicting Molecular Geometry
Classification of Titrimetric Analysis Based on Reaction Types
Titrations between an acid and a base lead to neutralization reactions that form...
Environmental Applications of Microorganisms
