基于多尺度卷积神经网络和残留连接的创新毒性预测模型
Shengli Zhang1, Jingyi Ren1, Yunyun Liang2
1School of Mathematics and Statistics, Xidian University, Xi'an, 710071, P. R. China.
Bioinformatics (Oxford, England)
|August 22, 2025
概括
一个新的模型,ToxMSRC,使用先进的AI技术准确预测毒性. 通过在药物开发过程中早期识别潜在的毒性序列,该工具有助于开发更安全的疗法.
科学领域:
- 计算生物学
- 生物信息学
- 药物发现
背景情况:
- 毒性在治疗开发中存在重大风险,可能导致器官损伤和免疫反应.
- 准确预测毒性对于确保药物的安全性和有效性至关重要.
研究的目的:
- 开发一种用于预测毒性的新计算模型.
- 提高药物开发中的毒性评估的准确性和可靠性.
主要方法:
- 采用混合方法,结合连续的词包 (CBOW),合成少数人过量采样技术 (SMOTE),多尺度卷积神经网络 (CNN) 和双向长期记忆 (BiLSTM).
- 实现了剩余连接以增强模型通用性并防止过度拟合.
- 通过增加阳性样本来解决数据不平衡问题.
主要成果:
- ToxMSRC模型实现了高预测性能,在独立测试中BACC得分为92.17%,在独立测试中为86.89%.
- 在毒性预测方面表现优于现有的最先进模型.
- 提供了对序列毒性关系的见解.
结论:
- ToxMSRC提供了一种可靠且准确的方法来预测毒性.
- 该模型在基于的药物开发中具有重大应用潜力.
- 开源代码和数据可供社区使用和进一步研究.
