GCLmf:一种基于硬负数的新型分子图对比学习框架,用于毒性预测
Xinxin Yu1, Yuanting Chen1, Long Chen1
1Shanghai Frontiers Science Center of Optogenetic Techniques for Cell Metabolism, Shanghai Key Laboratory of New Drug Design, School of Pharmacy, East China University of Science and Technology, 130 Meilong Road, Shanghai, 200237, China.
Molecular informatics
|October 18, 2024
概括
本研究介绍了GCLmf,这是一种使用硬负样本进行改进化学毒性预测的深度学习框架. 这种方法增强了分子表示,提高了早期药物发现的准确性.
科学领域:
- 计算化学是一种计算化学.
- 化学信息学 化学信息学
- 毒理学 毒理学 毒理学
背景情况:
- 在中毒性预测对于有效的药物发现至关重要.
- 准确的预测模型受到有限的,不可靠的毒性数据的阻碍.
- 相反的学习可以使用未标记的数据来改善分子表示.
研究的目的:
- 开发一个自我监督的深度学习框架 (GCLmf) 以提高化学毒性预测.
- 通过提高负数据集质量来解决现有的分子图对比学习的局限性.
- 调查硬负样本对模型性能的影响.
主要方法:
- 提出GCLmf,一种自主监督的预训框架,使用分子碎片作为硬负样.
- 提高了负数据集的质量,以增加预培训任务的难度.
- 通过对比学习学习学习了信息分子表示.
主要成果:
- GCLmf在分子性质基准测试上表现出极好的预测能力.
- 在33个化学毒性预测任务中实现了高性能,表现优于基线.
- 在模型开发中研究了硬负片的必要性和最佳比例.
结论:
- GCLmf框架有效地提高了化学毒性预测的准确性.
- 硬负样本的战略性使用有利于学习强大的分子表示.
- 这种方法为推进in silico药物发现工具提供了一个有希望的方向.
