堆叠的集体基突变性预测模型使用多种模式与图表注意力网络
Tanya Liyaqat1, Tanvir Ahmad2, Mohammad Kashif2
1Department of Computer Engineering, Jamia Millia Islamia, New Delhi, 110025, India. tanyaliyaqat791@gmail.com.
Medical & biological engineering & computing
|June 5, 2025
概括
这项研究提出了一种新的机器学习模型,用于预测致变性,这是癌症发展的关键因素. 多模式方法提高了在开发早期识别潜在有害药物化合物的准确性.
科学领域:
- 计算化学是一种计算化学.
- 毒理学 毒理学 毒理学
- 机器学习 机器学习
背景情况:
- 由于其与遗传突变和癌症的关联,变异性是一个重大问题.
- 在药物开发过程中,早期检测致变物化合物对于安全性和成本效益至关重要.
- 当前的计算突变性预测模型通常依赖于单个数据模式.
研究的目的:
- 开发一种用于突变性预测的新型堆叠组合模型.
- 整合多种分子数据模式,以提高预测准确度.
- 增强早期识别突变原体候选药物的能力.
主要方法:
- 使用一个堆叠集团机器学习模型.
- 集成多种分子数据模式:SMILES (亚结构,物理化学,几何) 和分子图 (通过图形注意网络的拓特征).
- 在特征和分类器显著性分析中使用了SHAP (Shapley添加式解释).
主要成果:
- 与最先进的方法相比,拟议的多式联运模式表现出优越的性能.
- 在汉森基准数据集上达到95.21%的曲线下的面积 (AUC).
- 成功识别了有助于突变性预测的重要特征和分类器.
结论:
- 这种新的堆叠组合模型有效地整合了多样化的分子信息,以准确地预测突变性.
- 这种方法在早期药物安全性评估方面取得了重大进展.
- 这些发现对临床医生和计算生物学家在翻译研究中具有重要意义.
