MMF-MCP:基于多模式信息融合的深度转移学习模型,用于分子特征提取和致癌性预测

科学领域:

• 计算化学是一种计算化学.
• 生物信息学是一种生物信息学.
• 机器学习在药物发现中的作用

背景情况:

• 对分子致癌性的准确预测对于癌症预防和药物开发至关重要.
• 当前的深度学习模型在数据质量,功能丰富性,准确性,稳定性和可解释性方面存在局限性.

研究的目的:

• 开发一个改进的深度转移学习模型,用于分子致癌性预测.
• 通过使用多式联运信息融合来提高准确性,稳定性和可解释性.

主要方法:

• 建议使用深度转移学习和多式联络信息融合的MMF-MCP模型.
• 提取的分子图形特征 (GATs) 和指纹特征 (CNNs).
• 使用SE-ResNet18处理的分子图像;通过对突变性数据进行预训练来应用转移学习.

主要成果:

• 在基准致癌性数据集 (ACC: 0.8452,AUC: 0.8513,SE: 0.8571,SP: 0.8333) 上,MMF-MCP实现了高绩效.
• 显著超过现有的最先进的分子致癌性预测方法.
• 可视化结果显示出强大的解释性,有助于理解关键的分子特征.

结论:

• 货币货币基金-MCP为分子致癌性预测提供了一个强大的和可解释的方法.
• 通过转移学习和多式联结,模型的性能和概括能力得到了增强.
• 为癌症研究,预防和制药开发提供了宝贵的见解.