整合多视图信息,以增强基于深度学习的急性皮肤毒性预测
Wei Lin1, Chi Chung Alan Fung1,2
1Department of Neuroscience, College of Biomedicine, City University of Hong Kong, Tat Chee Avenue, Kowloon Tong, Kowloon, Hong Kong 999077, China.
Journal of chemical information and modeling
|March 6, 2026
概括
MVIToxNet通过使用多视图分子数据准确预测皮肤毒性来增强药物开发. 这种新的深度学习方法改善了安全评估,减少了对动物试验的依赖.
科学领域:
- 计算化学是一种计算化学.
- 毒理学 毒理学 毒理学
- 机器学习 机器学习
背景情况:
- 准确预测急性皮肤毒性对于药物开发至关重要.
- 现有的深度学习模型往往无法利用全面的分子信息.
- 对动物进行毒性测试是昂贵的,并且在伦理上存在问题.
研究的目的:
- 开发一种新的深度学习模型,MVIToxNet,用于准确预测急性皮肤毒性.
- 将包括指纹和SMILES序列在内的多视图分子特征集成到一个统一的模型中.
- 通过加权模型平均化策略,应对小型和不平衡数据集带来的挑战.
主要方法:
- MVIToxNet集成了分子指纹和SMILES序列,通过字节对编码捕获字符级,原子级和亚结构信息.
- 一种加权模型平均方法结合了基于验证性能的多个模型,以提高概括性.
- 该模型在急性皮肤毒性预测任务中进行了评估.
主要成果:
- 在急性皮肤毒性预测方面,MVIToxNet显著优于现有的基线模型.
- 综合多视图功能被证明是提高预测准确性的有效方法.
- 权重模型平均化策略改善了测试集的模型概括性.
结论:
- MVIToxNet展示了利用多视图分子特征用于毒性预测的有效性.
- 拟议的加权模型平均化策略增强了模型的稳定性,特别是在有限的数据的情况下.
- 这种数据驱动的方法在计算毒理学中优化模型设计方面具有前景.