一个新的多任务学习算法,用于具有不同的化学空间的任务:以斑马鱼毒性预测为例
Run-Hsin Lin1,2, Pinpin Lin3, Chia-Chi Wang4
1Institute of Biotechnology and Pharmaceutical Research, National Health Research Institutes, Miaoli County, 35053, Taiwan.
Journal of cheminformatics
|August 2, 2024
概括
一种新的多任务学习方法,MTForestNet,有效地预测化学效应,尽管数据稀缺和不同的化学空间. 这种方法改善了斑马鱼毒性预测,并可以减少动物试验.
科学领域:
- 化学信息学 化学信息学
- 计算毒理学计算毒理学
- 机器学习 机器学习
背景情况:
- 数据稀缺性阻碍了化学效应预测模型的开发.
- 现有的多任务学习方法与来自不同化学空间的数据集作斗争.
- 传统的方法需要广泛的标记数据,这往往是不可用的.
研究的目的:
- 推出MTForestNet,这是一款针对数据稀缺性和独特化学空间而设计的新型多任务学习算法.
- 使用MTForestNet.Net开发精确的斑马鱼毒性预测模型.
- 证明该方法能够改善预测并减少动物试验的能力.
主要方法:
- 开发了MTForestNet,这是一个随机森林分类器的渐进网络.
- 利用了48个斑马鱼毒性数据集,包括具有独特化学空间的任务.
- 评估了MTForestNet与单任务和传统的多任务学习方法相比.
主要成果:
- 在独立测试中,MTForestNet实现了0.911的接收器运行特征曲线 (AUC) 下的高面积.
- 该模型的表现优于现有的单任务和多任务方法.
- 预测的毒性与实验数据有很强的相关性,并改善了发育性毒性预测.
结论:
- 在多任务学习中,MTForestNet有效地解决了数据稀缺性和独特的化学空间挑战.
- 开发的斑马鱼毒性模型为动物试验提供了一个有希望的替代方案.
- MTForestNet适用于各种具有异质数据集的化学信息任务.
