基于几何散射变换的图神经网络模型用于Ames致突变性预测——GeoScatt-GNN
机器学习
2024-11-26 v1 人工智能
图像与视频处理
定量方法
摘要
本文致力于解决致突变性预测的迫切挑战，引入三种创新方法。首先展示了从分子图像中提取的二维散射系数相对于传统分子描述子的卓越性能。其次提出一种混合方法，结合几何图散射 (GGS)、图异构网络 (GIN) 和机器学习模型，在致突变性预测中取得优异成绩。第三，引入一种新型图神经网络架构MOLG3-SAGE，将GGS节点特征集成到完全连接的图结构中，实现卓越的预测准确率。在ZINC数据集上的实验结果显示出显著的改进，突出了将二维与几何散射技术与图神经网络相结合的有效性。本研究阐明了GNN和GGS在致突变性预测中的潜力，对药物发现和化学安全评估具有广泛含义。
引用
@article{arxiv.2411.15331,
title = {GeoScatt-GNN: A Geometric Scattering Transform-Based Graph Neural Network Model for Ames Mutagenicity Prediction},
author = {Abdeljalil Zoubir and Badr Missaoui},
journal= {arXiv preprint arXiv:2411.15331},
year = {2024}
}