图表基于神经网络的预测和解释使用不同的尺度分子表示的达夫尼亚毒性

科学领域:

• 环境毒理学环境毒理学
• 计算化学是一种计算化学.
• 机器学习是机器学习.

背景情况:

• 达芬尼亚LC50对于水质评估至关重要,但获得成本昂贵.
• 现有方法面临的成本和时间的挑战是全面的化学毒性评估.

研究的目的:

• 开发一个深度学习框架来预测Daphnia LC50值,并解释毒性机制.
• 评估不同的分子图表表示,用于机器学习建模.
• 确定关键的分子特征和导致水生有毒性的因素.

主要方法:

• 综合分子和宏观层面的功能,用于毒性预测.
• 应用了三个图形表示:原始分子,SMILES和SMARTS符号.
• 利用标准和复杂的图形神经网络模型进行分析.

主要成果:

• 基于SMARTS的片段图表表示始终产生R2>0.825,证明是最有效的.
• 标准图形神经网络使用SMARTS片段实现了最高的性能,R2 = 0.905 ± 0.023.
• 确定了与不同作用机制 (MOA) 中毒性相关的关键功能组和宏观层面的因素.

结论:

• 碎片级图形表示对于毒性预测来说是强大而富有表现力的.
• 开发的框架简化了化学品库存管理,危险识别和对达夫尼毒性的假设生成.
• 这种方法增强了水质评估和化学安全评估.