结合深度学习与可解释人工智能用于化合物毒性预测
机器学习
2025-10-28 v1 人工智能
摘要
本任务是根据 Tox21 数据集预测化合物的毒理活性，该数据集是计算毒理学中的基准数据集。在对化学毒性进行领域特定概述后，我们讨论了当前的计算策略，专注于机器学习和深度学习。对几种架构进行性能、鲁棒性和可解释性比较。本研究引入了一种基于 DenseNet121 的新型图像管道，处理化学结构的二维图形表示。此外，我们采用 Grad-CAM 可视化技术来解释模型的预测并突出显示贡献于毒性分类的分子区域。所提出的架构在与传统模型相比取得有竞争力的结果，展示了深度卷积网络在计算化学中的潜力。我们的发现强调了将图像表示与可解释人工智能方法结合起来以提高毒理学预测准确性和模型透明度的价值。
引用
@article{arxiv.2510.22572,
title = {Combining Deep Learning and Explainable AI for Toxicity Prediction of Chemical Compounds},
author = {Eduard Popescu and Adrian Groza and Andreea Cernat},
journal= {arXiv preprint arXiv:2510.22572},
year = {2025}
}