基于自动化学特征提取深度学习的急性口服毒性回归与多分类模型
机器学习
2017-05-05 v3 机器学习
定量方法
摘要
对于化学信息学中的定量结构-性质关系（QSPR）研究，获得化学性质与化学特征之间可解释的关系十分重要。然而，QSPR模型的预测能力和可解释性通常是两个难以同时实现的不同目标。一种使用分子图编码卷积神经网络（MGE-CNN）的深度学习架构提供了构建具有高预测能力的可解释QSPR模型的通用策略。该模型不使用特定应用的预设分子描述符或指纹，而是利用原始和相关特征在无需人工干预或选择的情况下求解。在本研究中，我们以MGE-CNN架构为案例开发了化合物的急性口服毒性（AOT）模型。构建了三种高级预测模型：用于AOT评价的回归模型（deepAOT-R）、多分类模型（deepAOT-C）和多任务模型（deepAOT-CR）。这些模型大幅优于先前报道的模型。对于包含1673个（测试集I）和375个（测试集II）化合物的两个外部数据集，deepAOT-R在测试集I上的R2和平均绝对误差（MAE）分别为0.864和0.195，deepAOT-C的预测准确率在测试集I和II上分别为95.5%和96.3%。deepAOT-CR的两个外部预测准确率分别为95.0%和94.1%，而测试集I上的R2和MAE分别为0.861和0.204。
引用
@article{arxiv.1704.04718,
title = {Deep Learning Based Regression and Multi-class Models for Acute Oral Toxicity Prediction with Automatic Chemical Feature Extraction},
author = {Youjun Xu and Jianfeng Pei and Luhua Lai},
journal= {arXiv preprint arXiv:1704.04718},
year = {2017}
}
备注
36 pages, 4 figures