积极堆叠-深度学习与战略采样用于小和不平衡的化学毒性预测

科学领域:

• 计算毒理学和化学信息学
• 机器学习用于化学安全评估.

背景情况:

• 毒性预测模型与不平衡和有限的数据集作斗争,阻碍了准确的化学风险评估.
• 由于数据稀缺和阶级不平衡问题,现有的方法往往无法很好地泛化.
• 甲状腺破坏性化学物质 (TDCs) 对人类健康构成重大风险,需要可靠的预测方法.

研究的目的:

• 开发和评估一个积极堆叠的深度学习框架,以提高毒性预测.
• 在预测化学有害潜力方面解决数据不平衡和稀缺性挑战.
• 提高识别甲状腺破坏性化学物质 (TDCs) 的准确性和效率.

主要方法:

• 集成的深度神经网络 (DNN),包括CNN,BiLSTM,以及在堆叠组合中的注意力机制.
• 采用积极学习 (AL) 与战略数据采样,以优化在有限数据上的模型培训.
• 专注于针对甲状腺过氧化酶的TDC用于化学风险评估验证.

主要成果:

• 积极堆叠的深度学习框架取得了显著的表现,MCC为0.51,AUROC为0.824,AUPRC为0.851.
• 基于不确定性的AL方法在严重的阶级失衡下显示出优越的稳定性.
• 与完整数据堆叠组合相比,拟议的方法需要高达73.3%的标签数据,同时实现了竞争力或优越的AUROC和AUPRC.

结论:

• 积极堆叠-深度学习与战略采样为毒性预测提供了数据高效和准确的解决方案.
• 该框架有效地解决了化学风险评估中的不平衡和有限数据挑战.
• 分子对接验证了模型在识别有毒化合物的可靠性,特别是TDCs.