图形ADT:通过多视图图形汇集和结构重绘,赋予急性皮肤毒性可解释的预测能力

科学领域:

• 计算化学的计算化学
• 毒理学 毒理学 毒理学
• 机器学习 机器学习

背景情况:

• 准确预测急性皮肤毒性 (ADT) 对于开发安全的接触药物至关重要.
• 现有用于ADT预测的图形神经网络 (GNN) 往往忽略了分子键信息,缺乏可解释性.
• 当前的GNN未能强调像功能组这样的关键子结构,限制了它们的预测能力.

研究的目的:

• 引入一个新的GNN模型,GraphADT,用于增强ADT预测.
• 通过专注于关键分子特征来提高GNN的解释性.
• 为评估接触药物开发的安全性提供更准确的工具.

主要方法:

• 开发了GraphADT,这是一个包含结构重新映射和多视图图表聚合 (MVPool) 的模型.
• 结构重新映射将债券转化为节点,并将债券-原子-债券相互作用转化为边缘,以实现详细的图形表示.
• MVPool集成了来自多个角度的数据,一个协作节点排名强调了重要的子结构.

主要成果:

• 在预测公共数据集上的复合ADT方面,GraphADT显著优于现有的最先进模型.
• 该模型有效地识别和强调关键的子结构,提高可解释性.
• 实验结果验证了该模型在ADT预测中的有效性.

结论:

• 图形ADT为预测化合物ADT提供了一个更准确,更易于解释的方法.
• 该模型可以指导开发更安全的接触药物和相关治疗方法.
• 开发的方法提高了GNN在化学信息学和毒理学方面的能力.