使用图表注意力网络和加权损失函数转移学习,用于选持久性,生物积累性,移动性和有毒化学品
Haobo Wang1, Wenjia Liu1, Jingwen Chen1
1Key Laboratory of Industrial Ecology and Environmental Engineering (Ministry of Education), Dalian Key Laboratory on Chemicals Risk Control and Pollution Prevention Technology, School of Environmental Science and Technology, Dalian University of Technology, Dalian 116024, China.
这项研究开发了一种转移学习图表注意力网络 (TL-GAT) 模型,用于选持久性,生物积累性,移动性和有毒性 (PBMT) 化学物质. 该模型有效地从大型数据集中识别危险化学品,即使数据有限.
科学领域:
- 环境化学环境化学
- 计算毒理学计算毒理学
- 化学信息学 化学信息学
背景情况:
- 对危险化学品进行查对于环境和人类健康管理至关重要.
- 持久性,生物积累性,移动性和有毒性 (PBMT) 化学物质由于其环境持久性和移动性而带来重大风险.
- 有限的实验数据阻碍了PBMT化学品的识别.
研究的目的:
- 开发和验证一种精确的*in silico*方法来选PBMT化学品.
- 通过转移学习解决PBMT化学识别中的数据稀缺问题.
- 创建用于识别具有PBMT属性的化学物质的预测模型.
主要方法:
- 使用测量移动数据和PBT库存构建了PBMT化学品的综合数据集.
- 开发了一个转移学习 (TL) 框架,使用图形注意力网络 (GAT) 架构.
- 提出并实施加权损失 (L_W) 函数来处理不平衡的数据集.
主要成果:
- 与标准GAT模型相比,TL-GAT模型表现出更高的性能.
- 这些模型表现出广泛的应用领域和强大的解释性.
- 从大约100万种化学品的数据集中成功识别了PBMT化学品.
结论:
- 开发的TL-GAT框架与L_W函数是有效的选PBMT化学品.
- 这种方法对于具有小和不平衡数据集的任务尤其有价值.
- 该方法提供了一个可扩展的解决方案,用于识别大型化学库存中的危险化学品.
更多相关视频
16:02Demonstration of the Sequence Alignment to Predict Across Species Susceptibility Tool for Rapid Assessment of Protein Conservation
Published on: February 10, 2023
09:01A High-throughput Assay for the Prediction of Chemical Toxicity by Automated Phenotypic Profiling of Caenorhabditis elegans
Published on: March 14, 2019