对分子描述器和基于人工智能的嵌入进行毒性预测的比较研究
1Division of Bioinformatics and Biostatistics, National Center for Toxicological Research, U.S. FDA, 3900 NCTR Rd, Jefferson, Arkansas 72079, United States.
Chemical research in toxicology
|November 14, 2025
概括
人工智能语言模型在预测毒理学方面表现有前途,在特定数据集 (如ClinTox和DILIst) 上表现优于传统方法. 对于多个终点预测,分子描述器仍然很强,这表明了用于增强药物安全性评估的综合方法.
科学领域:
- 计算化学是一种计算化学.
- 毒理学 毒理学 毒理学
- 人工智能在药物发现中的作用
背景情况:
- 准确的毒性预测对于制药开发和监管安全至关重要.
- 传统的方法依赖于基于分子描述器的模型.
- 新兴的人工智能语言模型为化学数据分析提供了新的方法.
研究的目的:
- 为了比较基于描述符的特征与AI语言模型嵌入的性能,用于毒性预测.
- 为了评估Tox21,ClinTox和DILIst数据集中的模型.
- 为AI模型评估不同数据输入 (SMILES,化学名称,描述) 的实用性.
主要方法:
- 利用了来自Mordred和RDKit.it的基于描述符的功能.
- 应用了10个AI语言模型,从SMILES字符串,化学名称和描述中生成嵌入式.
- 在毒性预测任务中使用后勤回归分类器.
- 在Tox21,ClinTox和DILIst数据集上使用ROC-AUC评估性能.
主要成果:
- 在Tox21数据集中,Mordred (基于描述器) 获得了最高的平均ROC-AUC (0.855).
- 人工智能语言模型在ClinTox和DILIst数据集上表现优于描述模型.
- 使用文本数据,GPT-3在ClinTox (ROC-AUC 0.996) 和DILIst (ROC-AUC 0.806) 上表现优越.
- 在使用 SMILES 嵌入式的 Tox21 (ROC-AUC 0.801) 上,MolBERT 显示出具有竞争力的性能.
结论:
- 人工智能语言模型对预测毒理学有很大的前景,特别是在聚焦的终点上.
- 基于描述器的模型对于多个终点预测仍然有效.
- 整合分子描述符与文本嵌入可以提高预测准确性和模型适应性.
- 这项研究强调了人工智能在药物安全性评估方面具有革命性的潜力.
更多相关视频
16:02Demonstration of the Sequence Alignment to Predict Across Species Susceptibility Tool for Rapid Assessment of Protein Conservation
Published on: February 10, 2023
3.2K
09:01A High-throughput Assay for the Prediction of Chemical Toxicity by Automated Phenotypic Profiling of Caenorhabditis elegans
Published on: March 14, 2019
7.6K
