对生态毒理学的图形神经网络增强关系预测 (GRAPE)

科学领域:

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

背景情况:

• 化学品对水生生态系统构成风险.
• 传统的生态毒性测试是耗时且资源密集的.
• 需要新的计算方法来预测化学影响.

研究的目的:

• 开发和评估一个名为GRAPE的图形神经网络 (GNN) 模型,用于预测水生有毒性.
• 为传统的体内生态毒性测试提供替代或补充方法.
• 在统一的图形框架内整合各种水生有毒性数据.

主要方法:

• 制定了生态毒理学作为使用GNN的关系预测任务.
• 开发了GRAPE模型,可以同时建模444种水生物种和2826种化学品.
• 增强了物种和化学特征,以提高预测准确度.
• 将GRAPE与后勤回归 (LR) 和多层感知器 (MLP) 模型进行比较.

主要成果:

• GRAPE的表现明显优于LR和MLP,回忆率提高了高达30%.
• 在预测新化学品 (≥100%的回忆改善) 和新物种 (高达13%的回忆改善) 的毒性方面,GRAPE表现出卓越的性能.
• GRAPE准确地预测了新化学品 (104/126) 和新物种 (7/8) 的影响,并对金属和有机化学品表现出高准确度.

结论:

• 在生态毒理学中,GRAPE代表了GNN的开创性应用.
• 该模型能够整合物种和化学数据,从而提高对水生有毒性的预测.
• GRAPE提供了一个强大的,可扩展的计算工具,用于评估对水生环境的化学风险.