机器学习和深度图形学习用于化学生态毒理学预测的比较评估

科学领域:

• 环境科学
• 计算化学
• 毒理学

背景情况:

• 化学生态毒性评估对于环境保护至关重要,但由于实验测试的时间和成本而面临挑战.
• 准确的预测方法对于克服传统生态毒性测试的局限性至关重要.

研究的目的:

• 综合分析机器学习和基于图表的学习用于化学品的生态毒理预测.
• 评估各种模型在预测不同水生物种的生态毒性方面的表现.

主要方法:

• 使用分子表示 (摩根,MACCS,Mol2vec),机器学习算法 (KNN,NB,RF,SVM,XGB,DNN) 和图形神经网络 (GAT,GCN,MPNN,注意力FP,FPGNN) 的组合构建了161个模型.
• 对预测鱼类,甲类和藻类生态毒性的模型性能进行评估,包括同种和跨种预测.

主要成果:

• 图形卷积网络 (GCN) 在预测鱼类,甲类和藻类的生态毒性方面表现最好.
• 在同一物种的预测中,GCN模型实现了高ROC曲线 (AUC) 值 (0.982-0.992).
• 跨物种预测显示性能降低,GAT和GCN领先,但DNN与MACCS指纹对未见的化学物质表现最好 (AUC为0.821).

结论:

• 计算预测方法,特别是GCN,对于同种生态毒性评估是有效的.
• 在不同物种中准确预测化学生态毒性仍然存在重大挑战,这凸显了进一步研究的必要性.
• 有一个用于生态毒理学预测的网络服务器,有助于环境风险评估.