穆拉卡:一种可解释的多式联网深度学习框架,用于识别饮用水中的PMT/vPvM物质
Nguyen Doan Hieu Nguyen1, Nhat Truong Pham1, Hojin Seo1
1Department of Integrative Biotechnology, College of Biotechnology and Bioengineering, Sungkyunkwan University, Suwon, Gyeonggi-do 16419, Republic of Korea.
Journal of hazardous materials
|November 26, 2025
概括
一个新的深度学习工具,Mulaqua,有效地识别了饮用水中的持久性,移动性和有毒性 (PMT) 和非常持久和非常移动性 (vPvM) 物质. 这种计算方法有助于早期危险检测和新出现的污染物的监管优先级.
科学领域:
- 环境化学环境化学
- 计算毒理学计算毒理学
- 数据科学数据科学数据科学
背景情况:
- 饮用水受到化学污染物的威胁,包括持久性,移动性和有毒性 (PMT) 和非常持久和非常移动性 (vPvM) 的物质.
- 这些新出现的污染物对人类健康构成重大风险,需要改进监测和管理.
- 传统的检测方法缓慢且资源密集,突出了对高效计算解决方案的需求.
研究的目的:
- 开发一种新的深度学习 (DL) 方法,以快速经济地识别PMT/vPvM物质.
- 推出 Mulaqua,这是第一个专门为此目的设计的 DL 型号.
- 为影响PMT/vPvM分类的分子特征提供见解.
主要方法:
- 穆拉奎采用多式联络DL策略,整合了分子串和图像表示.
- 使用简化分子输入线输入系统 (SMILES) 计数来处理数据不平衡.用于数据增强.
- 进行了可解释性分析,以了解分子结构的影响.
主要成果:
- 穆拉奎达达到了高性能指标:准确度 (ACC) 为0.920,F1得分 (F1) 为0.590,马修斯相关系数 (MCC) 为0.548.
- 该模型显示出与基线相比,在外部数据集上具有很好的可转移性和更好的性能.
- 可解释性分析为PMT/vPvM表征提供了结构-活动关系的见解.
结论:
- 穆拉奎是一个开创性的,公开可用的DL工具,用于识别PMT/vPvM物质.
- 它为早期危险识别和监管优先级提供了一个主动和有效的方法.
- 这种方法可以显著提高化学污染物的环境风险管理策略.


