DPD-Cancer：用于小分子抗肿瘤活性预测的可解释图深度学习
机器学习
2026-05-07 v2 人工智能
摘要
DPD-Cancer是一个图注意力深度学习框架，用于预测NCI-60面板中小分子的抗肿瘤活性，在严格的化学感知数据划分方案下进行训练和评估。在留出测试集上，分类器达到了受试者工作特征曲线下面积（AUROC）为0.87（95%置信区间[0.86, 0.88]），精确率-召回率曲线下面积（AUPRC）为0.73（95%置信区间[0.70, 0.76]）；针对73个细胞系的逐细胞系回归模型在pGI50值预测上产生了中位皮尔逊相关系数（Pearson's R）为0.64和中位均方根误差（RMSE）为0.67。在匹配数据条件下与pdCSM-Cancer、MLASM和ACLPred的基准比较持续获得了更高的马修斯相关系数（MCC）得分，基于遮挡的属性分析确认模型解释在定量上与分类器决策一致，适用域分析将可靠性表征为化学距离的函数。为促进广泛采用，DPD-Cancer可作为免费、用户友好的网络服务器供无限制使用，网址为https://biosig.lab.uq.edu.au/dpd_cancer/。
引用
@article{arxiv.2603.26114,
title = {DPD-Cancer: Explainable Graph-Based Deep Learning for Small Molecule Anti-Cancer Activity Prediction},
author = {Magnus H. Strømme and Alex G. C. de Sá and David B. Ascher},
journal= {arXiv preprint arXiv:2603.26114},
year = {2026}
}