PE-GCL:通过图形对比学习来推进农药生态毒性预测

科学领域:

• 环境毒理学环境毒理学
• 计算化学是一种计算化学.
• 机器学习是机器学习.

背景情况:

• 使用动物试验进行传统的生态毒性评估是昂贵的,并且在伦理上存在问题.
• 现有的计算毒理学模型在有限的数据和过度拟合的情况下扎.
• 对于农药生态毒性的准确和可普遍化的预测模型是必要的.

研究的目的:

• 开发一种新的框架,农药生态毒性图对比学习 (PE-GCL),用于预测化学毒性.
• 通过利用大规模未标记的复合数据,提高模型概括性,特别是在低数据场景中.
• 为农药生态毒性评估提供可解释和可访问的工具.

主要方法:

• 利用图形对比学习进行广泛的未标记分子数据集的预训练.
• 将学习的分子表示转移到下游生态毒性预测任务.
• 纳入模型可解释性以确定结构-毒性关系.
• 与传统监督模型和独立的外部数据集相比,验证的模型性能.

主要成果:

• 与传统监督模型相比,PE-GCL框架在各种生态毒性预测任务中表现出优异的预测性能.
• 独立的外部验证证实了PE-GCL在未见数据上的高预测准确性.
• 解释性分析揭示了特定分子亚结构与生态毒性之间的潜在相关性.
• 开发了一个公开可访问的Web服务器来托管受过训练的模型并促进框架的使用.

结论:

• 该PE-GCL框架为农药生态毒性评估提供了传统动物试验的强大而准确的替代方案.
• 在未标记的数据上进行预训练显著提高了模型的概括性和预测能力,特别是在有限的样本大小的情况下.
• 开发的框架和可访问的网络服务器可以帮助研究人员和监管机构更有效地评估化学安全.