可解释的基于注意力的基于多编码器变压器的QSPR模型,用于评估化学品的毒性和环境影响
SangYoun Kim1, Shahzeb Tariq1, SungKu Heo1
1Integrated Engineering, Dept. of Environmental Science and Engineering, College of Engineering, Kyung Hee University, 1732 Deogyeong-daero, Giheung-gu, Yongin-si, Gyeonggi-do, 17104, Republic of Korea.
Chemosphere
|January 1, 2024
概括
这项研究引入了一个新的机器学习模型来预测化学毒性,减少了昂贵和耗时的传统测试的需求. 该模型准确地估计了PCB和EDC的Log KOW,Log KOA和Log BCF等属性.
科学领域:
- 计算化学是一种计算化学.
- 毒理学 毒理学 毒理学
- 在化学安全领域的机器学习应用.
背景情况:
- 传统的化学毒性测试是昂贵的,缓慢的,并且在道德上有问题.
- 机器学习 (ML) 增强了定量结构与属性关系 (QSPR) 的研究,但经常充当"黑子".
- 在化学风险评估中需要可解释的ML模型.
研究的目的:
- 开发一个可解释的多编码器结构对毒性 (S2T) 变压器QSPR模型.
- 估计多双 (PCB) 和内分泌干扰化学品 (EDC) 的关键物理化学性质 (Log KOW,Log KOA,Log BCF).
- 使用基于注意力的框架来理解结构-毒性关系.
主要方法:
- 开发了一个多编码器S2T变压器QSPR模型.
- 输入数据包括简化分子输入线输入系统 (SMILES) 和龙6分子描述器.
- 采用注意力机制来解释模型预测.
主要成果:
- 该S2T变压器模型实现了高精度,PCB的R2分数为0.918 (Log KOW),0.856 (Log KOA) 和0.907 (Log BCF).
- 注意力权重成功地确定了PCB中侧面化模式与其毒性之间的联系.
- 证明了该模型在预测环境影响方面的能力.
结论:
- 开发的S2T变压器模型为化学毒性预测提供了一个高效和可解释的替代方案.
- 这种方法可以加快对新化学品的评估,支持消费品和制药行业.
- 该模型的可解释性有助于理解化学毒性和环境风险的分子基础.
更多相关视频
16:02Demonstration of the Sequence Alignment to Predict Across Species Susceptibility Tool for Rapid Assessment of Protein Conservation
Published on: February 10, 2023
2.7K
08:00Screening for Endocrine Activity in Water Using Commercially-available In Vitro Transactivation Bioassays
Published on: December 4, 2016
7.5K