宿命毒素:碎片注意力转换器用于E(3) 等价的多器官毒性预测
Sumin Ha1, Dongmin Bang2,3, Sun Kim4,5,6,7
1Interdisciplinary Program in Artificial Intelligence, Seoul National University, Seoul, 08826, Republic of Korea.
预测多器官毒性对于药物开发至关重要. 新型深度学习框架FATE-Tox通过分析多种分子结构并提供可解释的结果来准确识别潜在的有毒化合物,从而提高药物安全性.
科学领域:
- 计算化学和化学信息学
- 药物的发现和开发.
- 毒理学和预测建模的预测模型.
背景情况:
- 由于化合物的毒性,药物开发面临重大障碍,往往导致晚期失败.
- 现有的计算模型通常侧重于单个器官的毒性,忽视了潜在的补偿效应或跨器官风险.
- 同时预测多器官毒性是具有挑战性的,因为基结构的可变性,分子表示的局限性,和可解释性问题.
研究的目的:
- 为准确和可解释的多器官毒性预测开发一种新的计算框架.
- 在毒性评估中应对基结构可变性,分子表示力和预测可解释性的挑战.
- 通过改进毒性预测,提高药物开发过程的安全性和效率.
主要方法:
- 开发了FATE-Tox,这是一个多视图深度学习框架,结合了三种碎片化方法 (金国家,贝米斯-穆尔科支架,RDKit功能组) 来进行多种子结构分析.
- 利用二维和三维分子表示来捕获全面的结构信息.
- 实施了碎片注意力转换器,以识别潜在的毒素光子,并通过注意力系数提高预测可解释性.
主要成果:
- 与基线方法相比,FATE-Tox在基准数据集 (MoleculeNet,TDC) 上实现了高达3.01%的显著预测性能增长.
- 多任务学习方法进一步提高了高达1.44%的性能,而不是单任务学习模式.
- 注意力可视化提供了对潜在的毒性体的可解释性见解,与现有的科学文献保持一致.
结论:
- 在候选药物中,FATE-Tox为预测多器官毒性提供了一个强大而可解释的工具.
- 该框架能够处理多样化的子结构并提供可解释的预测,这有助于识别潜在的安全风险.
- 这种方法可以支持科学家和临床医生在整个药物开发过程中做出更安全,更明智的决策.
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
05:45Developmental Toxicity Assay Based on Real-Time Monitoring of Fibroblast Growth Factor Signal Disruption in Human Induced Pluripotent Stem Cells
Published on: October 10, 2025
相关概念视频
Toxic Reactions: Overview
Toxicity falls into two primary categories: local and systemic.
Local toxicity appears at the exposure site, such as protein denaturation caused by caustic substances.
In contrast, systemic toxicity requires the toxic agent's absorption and distribution,...
Drug Toxicity: Overview
Drug Toxicity: Dose-Dependent Reactions
Bioactivation and Tissue Toxicity
Toxicokinetics: Overview
Toxicity Testing in Animals
