ADFC-ATP:注意力引导的双视图融合和对比训练,用于强大的水生毒性预测

科学领域:

• 环境化学环境化学
• 计算毒理学计算毒理学
• 生物信息学是一种生物信息学.

背景情况:

• 水生生态系统面临化学污染物的威胁,需要更好的生态风险评估方法.
• 目前用于分子毒性预测的深度学习模型缺乏可概括性,可解释性和稳定性,特别是在有限的数据下.
• 现有的方法难以准确预测新出现的水生污染物的毒性.

研究的目的:

• 开发一个新的深度学习框架,ADFC-ATP,用于增强水生毒性预测.
• 提高分子毒性预测模型的概括性,解释性和稳定性.
• 为评估化学污染物的生态风险提供一个计算效率高的工具.

主要方法:

• 拟议的ADFC-ATP框架整合了双视图分子图形融合和对比拓学习 (NT-Xent损失).
• 使用结构图形增强功能来提高稳定性,以及使用图形注意力编码器来学习层次结构子结构模式.
• 采用基于注意力的自适应融合机制,将图形嵌入和指纹相似性结合起来,用于毒性预测.

主要成果:

• 在四个鱼类毒性数据集中,ADFC-ATP与GCN-ST和GCN-MT基线相比,AUC的平均相对改善约为10.2%.
• 除研究和注意力重量可视化证实了脚手架保护和对比调整的重要性.
• 该模型成功识别了毒性,与定量结构-活动关系 (QSAR) 原则保持一致.

结论:

• ADFC-ATP提供了一个强大的,可解释的,有效的解决方案,用于预测新出现的污染物的水生毒性.
• 该框架作为对生态风险评估传统实验室测试方法的有价值补充.
• 开发的模型提高了水生环境中的分子毒性评估的预测准确性和可靠性.