AMPred-CNN:基于卷积神经网络的艾姆斯突变性预测模型

科学领域:

• 计算毒理学计算毒理学
• 化学信息学 化学信息学
• 机器学习用于药物发现.

背景情况:

• 变异性评估对于评估化学和制药安全至关重要.
• 计算模型提供了高效和成本效益的毒性预测.
• 卷积神经网络 (CNN) 擅长从类似图像的数据中提取特征.

研究的目的:

• 介绍AMPred-CNN,一个使用CNN的新型艾姆斯突变性预测模型.
• 为了利用分子结构作为图像来增强特征提取.
• 评估AMPred-CNN与传统和先进模型的性能.

主要方法:

• 使用卷积神经网络 (CNN) 开发AMPred-CNN.
• 使用分子结构作为图像进行输入.
• 模型培训和评估在汉森等人. 基准突变性数据集. 基准突变性数据集.
• 与传统的机器学习 (ML) 模型和最近的深度学习 (DL) 模型进行比较分析.

主要成果:

• 与传统的ML模型相比,AMPred-CNN在各种指标 (精度,AUC,F1得分,MCC,灵敏度,特异性) 上表现优越.
• 与最近的7个ML和DL模型进行比较,AMPred-CNN的结果始终优越.
• 取得了令人印象深刻的曲线下的面积 (AUC) 0.954.

结论:

• 在提高突变致病性预测准确度方面,CNN非常有效.
• AMPred-CNN代表了计算毒理学的显著改进.
• 该模型对药物开发和安全性评估中的更广泛应用具有前景.