使用可解释的机器学习和深度学习方法,对化合物的眼睛毒性进行in silico预测
Yiqing Zhou1, Ze Wang1, Zejun Huang1
1Shanghai Frontiers Science Center of Optogenetic Techniques for Cell Metabolism, Shanghai Key Laboratory of New Drug Design, School of Pharmacy, East China University of Science and Technology, Shanghai, China.
Journal of applied toxicology : JAT
|February 8, 2024
概括
开发化学眼睛毒性的计算模型对于减少动物试验至关重要. 这项研究使用大量数据集创建了预测模型,其中一款机器学习模型 (RF-描述器) 显示出强大的实际应用性能.
科学领域:
- 计算毒理学计算毒理学
- 化学安全评估 化学安全评估
- 在 silico 药物发现中.
背景情况:
- 准确识别眼部毒性对于健康危害评估至关重要.
- 在化学安全评估中,越来越需要减少,改进和取代动物试验.
- 强大的计算工具对于毒理学中的监管应用至关重要.
研究的目的:
- 开发和验证用于预测化学眼部毒性的二元分类模型.
- 创建迄今为止最广泛的化学眼部毒性数据集.
- 为了平衡模型性能与可用于实际使用的可解释性.
主要方法:
- 来自符合GHS的数据库和文献的4901种化合物的数据集.
- 采用了12个分子表示,并使用了6个机器学习和2个深度学习算法.
- 利用SHAP和注意力权重分析进行模型解释性.
主要成果:
- 深度学习模型GCN在交叉验证中实现了0.915的AUC.
- 使用描述器 (RF-描述器) 的随机森林模型被选为最佳模型,测试组的AUC为0.869.
- SHAP和注意力权重分析提供了对关键预测特征的视觉见解.
结论:
- 开发的RF-描述器模型为预测早期药物发现中的眼睛毒性提供了有价值的工具.
- 该研究成功地平衡了预测准确性与模型可解释性.
- 这些发现支持使用计算毒理学来减少安全性评估中的动物试验.
