比较不同几何深度学习架构在变异毒性实验数据环境下的优化性能
定量方法
2025-07-25 v1 人工智能
机器学习
摘要
几何深度学习是人工智能驱动的计算化学领域的新兴技术，但不同图神经网络（GNN）架构的独特影响尚未得到充分探索。本研究将图卷积网络（GCN）、图注意力网络（GAT）和图同构网络（GIN）应用于7个不同毒性实验数据集（数据量和终点各异），用于构建实验活化的二分类模型。在分子图预处理、类别平衡和跨5折分层后，对每个GNN在每个实验数据集进行贝叶斯优化（共计21次独立贝叶斯优化）。优化后的GNN在所有折上的Area Under Curve（AUC）得分范围为0.728-0.849，自然在特定实验和GNN之间存在差异。结果发现，GIN在前5名数据丰富的毒性实验中一致优于GCN和GAT；而GAT则在剩余2个数据稀缺实验中显著优于其他两种网络。这表明GIN更适合数据丰富的环境，而GAT更适合数据稀缺的环境。进一步分析发现，GCN和GAT在更高维度的超参数空间以及优化后的超参数状态中，彼此之间达到的优化状态具有可测量的接近程度，而GIN则表现出独特的算法特性。
引用
@article{arxiv.2507.17775,
title = {Comparison of Optimised Geometric Deep Learning Architectures, over Varying Toxicological Assay Data Environments},
author = {Alexander D. Kalian and Lennart Otte and Jaewook Lee and Emilio Benfenati and Jean-Lou C. M. Dorne and Claire Potter and Olivia J. Osborne and Miao Guo and Christer Hogstrand},
journal= {arXiv preprint arXiv:2507.17775},
year = {2025}
}