BFGTP:一种由BERT指导的双阶段分子表示学习框架,用于毒性预测.

科学领域:

• 计算化学和化学信息学
• 药物的发现和开发.
• 毒理学和风险评估

背景情况:

• 准确的分子毒性预测对于有效的药物开发至关重要.
• 当前的方法通常依赖于指纹或基于图形的特征,新兴的大型语言模型 (LLM) 为分子表示学习提供了新的途径.
• 目前用于毒性预测的LLM方法存在局限性,主要是使用类嵌入,忽视序列嵌入信息,并且可以从多模式数据集成中受益.

研究的目的:

• 提出BFGTP,一个新的BERT引导的两阶段分子表示学习框架,用于增强毒性预测.
• 通过整合多模数据和序列信息来解决目前基于LLM的分子表示学习的局限性.
• 为了提高药物开发的分子毒性预测的准确性和稳定性.

主要方法:

• 开发了BFGTP,这是一个具有独立编码器的框架,用于三个分子数据模式 (指纹,序列,图形).
• 在指纹编码器中使用双层注意力机制,以有效地集成多类指纹.
• 采用了两阶段的指导策略,用于表示融合和知识蒸以实现价值分配对齐的对比学习.

主要成果:

• 与现有的基线方法相比,BFGTP在七个毒性数据集中表现出卓越的性能.
• 在五个数据集中实现了最高的曲线下面积 (AUC) 和五个关键评估指标中最好的平均表现.
• 废除研究,t-SNE可视化和案例研究验证了BFGTP组件的有效性及其对有意义的分子表示学习的能力.

结论:

• BFGTP有效地整合了多模式分子数据,并利用LLM来改善毒性预测.
• 拟议的框架为药物开发的分子表示学习提供了显著的进步.
• BFGTP捕获丰富分子信息的能力提高了预测准确度,并为毒理学评估提供了宝贵的见解.