复发神经网络与联合指纹的比较分析,用于皮肤腐蚀预测
Huynh Anh Duy1, Tarapong Srisongkram2
1Graduate School in the Program of Research and Development in Pharmaceuticals, Faculty of Pharmaceutical Sciences, Khon Kaen University, Khon Kaen 40002, Thailand.
Journal of chemical information and modeling
|January 21, 2025
概括
这项研究开发了深度学习 (DL) 模型来预测皮肤腐蚀,取代了动物测试. 最好的模型,一个双向长期短期记忆 (BiLSTM) 网络,使用组合的分子和物理化学数据实现了高精度.
科学领域:
- 计算毒理学计算毒理学
- 化学信息学 化学信息学
- 人工智能在药物发现中的作用
背景情况:
- 皮肤腐蚀评估对于局部产品和化品至关重要.
- 传统的动物试验面临着伦理和生物学限制.
- 在体和体外方法的进步提供了替代方案.
研究的目的:
- 开发和评估用于皮肤腐蚀分类的深度学习 (DL) 模型.
- 探索反复神经网络 (RNN) 对毒性预测的实用性.
- 评估不同分子表示对模型性能的影响.
主要方法:
- 开发了55个基于RNN的模型,包括简单的RNN,LSTM,BiLSTM,GRU和BiGRU.
- 使用化学语言标记,分子亚结构 (MACCS键) 和物理化学性质.
- 使用联合指纹,结合多种数据类型.
- 应用适用性领域和调配重要性分析,用于模型验证和可解释性.
主要成果:
- 使用联合特征 (MACCS键和物理化学描述符) 的双向长期短期记忆 (BiLSTM) 模型表现出卓越的性能.
- 在外部测试数据上获得了84.3%的准确性,89.8%的曲线下面积和57.6%的马修斯相关系数.
- 该模型准确地预测了新型,未见的化合物的皮肤腐蚀.
结论:
- 深度学习,特别是具有联合特征的BiLSTM,显著提高了皮肤腐蚀预测的准确性.
- 这种方法为毒性评估提供了一种可靠的非动物替代方案.
- 该研究强调了整合多种分子特性的潜力,以改善预测毒理学.
