化学安全评估的堆积集神经网络:甲状腺过氧化酶和天然产品查的案例研究
Darlene Nabila Zetta1, Tarapong Srisongkram2
1Graduate School in the Program of Pharmaceutical Sciences, Faculty of Pharmaceutical Sciences, Khon Kaen University, Khon Kaen 40002, Thailand.
ACS omega
|July 29, 2025
概括
一个新的堆叠合体神经网络模型预测甲状腺过氧化酶 (TPO) 抑制. 这种深度学习方法集成了多种分子特征,用于强大的化学毒性查和风险评估.
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:
- 深度神经网络 (DL) 擅长通过学习复杂的模式来预测化学性质.
- 由于有限的分子特征,个别模型可能会错过关键的药物标关系.
- 配备DL的堆叠组合可以整合各种功能,以提高预测能力.
研究的目的:
- 开发一种新的堆叠合体神经网络,用于预测甲状腺过氧化酶 (TPO) 抑制活性.
- 提高化学毒性预测的准确性和稳定性.
- 评估化学品的潜在风险,包括土著蔬菜中的风险.
主要方法:
- 集成卷积神经网络,双向长期短期记忆网络和注意力机制.
- 结合DL模型与顶部分子指纹生成概率特征.
- 使用一个元决策模型与y随机化和适用性域评估进行验证.
主要成果:
- 基于注意力的元模型实现了高性能指标:回忆0.55,特异性0.95,MCC0.56,AUC0.85,平衡精度0.75,精度0.70.
- 该模型证明了对外部测试集的概括性.
- 在泰国土著蔬菜中成功鉴定出潜在的有毒化合物.
结论:
- 堆叠组合深度学习模型提供了一个强大的方法来预测TPO抑制和化学毒性.
- 这种方法提高了捕捉风险评估的各种化学关系的能力.
- 开发的模型有助于推进计算毒理学和化学安全评估.
更多相关视频
05:47In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
14.1K
16:02Demonstration of the Sequence Alignment to Predict Across Species Susceptibility Tool for Rapid Assessment of Protein Conservation
Published on: February 10, 2023
2.8K
