基于多层次融合特征的多任务水生毒性预测模型

科学领域:

• 环境科学 环境科学
• 计算化学计算化学
• 毒理学 毒理学 毒理学

背景情况:

• 有机化合物对水生生物构成重大威胁.
• 评估水生有毒性对于环境保护和了解生态影响至关重要.
• 与传统方法相比,深度学习为毒性预测提供了更高的准确性和速度.

研究的目的:

• 引入ATFPGT-multi,这是一个先进的多任务深度神经网络,用于预测有机化合物毒性.
• 评估多任务学习在水生物质毒性预测中的有效性.

主要方法:

• ATFPGT-multi集成了分子指纹和图表来表征有机分子.
• 该模型同时预测了四种鱼类的急性毒性.
• 使用交叉验证来评估性能和概括能力.

主要成果:

• 在四个鱼类数据集中,ATFPGT-multi表现出优于单任务模型 (ATFPGT-single) 的性能.
• 与以前的算法相比,该模型实现了更高的准确性和可靠性.
• 来自ATFPGT-multi的注意力得分确定了与鱼类毒性相关的关键分子碎片,展示了模型的可解释性.

结论:

• ATFPGT-multi为推进水生有毒性评估提供了一个强大的框架.
• 该模型的开源可用性促进了环境保护领域的进一步研究和应用.