NeuTox 2.0:基于多式特征融合的混合深度学习架构,用于选化学品潜在的神经毒性,基于多式特征融合
Xudi Pang1, Xuejun He1, Ying Yang1
1Hubei Key Laboratory of Environmental and Health Effects of Persistent Toxic Substances, School of Environment and Health, Jianghan University, Wuhan 430056, China.
Environment international
|January 1, 2025
概括
混合深度学习模型NeuTox 2.0通过提高神经毒性预测准确度来增强化学品安全评估. 该工具有助于早期选环境化学品的潜在风险.
科学领域:
- 计算毒理学计算毒理学
- 化学信息学 化学信息学
- 机器学习是机器学习.
背景情况:
- 化学诱导的神经毒性评估对于化学安全至关重要.
- 传统的方法成本高,速度慢,需要高通量虚拟选.
- 小的神经毒性数据集阻碍了先进的深度学习应用程序.
研究的目的:
- 开发一个先进的深度学习模型,NeuTox 2.0,用于准确的神经毒性预测.
- 通过多式联络功能融合和转移学习,克服小型数据集的局限性.
- 创建一个有效的工具,用于早期选环境化学品的神经毒性.
主要方法:
- 开发了一种混合深度学习架构 (NeuTox 2.0) 集成自我监督学习,图形神经网络和分子指纹/描述器.
- 利用多式联络功能融合来提高预测.
- 在四个不同的神经毒性数据集 (BBB透性,神经细胞毒性,神经活动,哺乳动物神经毒性) 上验证了模型.
主要成果:
- NeuTox 2.0 在统计指标上表现出卓越的预测能力和概括性.
- 该模型在四个神经毒性数据集中的三个数据集上取得了显著的表现.
- 废弃性研究证实了NeuTox 2.0捕获复杂分子相互作用并改善预测的能力.
- 与传统的机器学习方法相比,该模型显示出出色的抗噪能力.
结论:
- NeuTox 2.0有效地预测神经毒性,提供更高的准确性和概括性.
- 该模型成功地在REACH数据库中识别了701种潜在的神经毒性化合物.
- NeuTox 2.0 作为一种强大而有效的工具,用于环境化学品早期的神经毒性查.
