KekuleScope:利用基于化合物图像训练的卷积神经网络预测癌细胞系敏感性与化合物效价
计算机视觉与模式识别
2019-06-25 v2
摘要
应用卷积神经网络(ConvNets)来利用高内涵筛选图像或二维化合物表示在药物发现中正受到越来越多的关注。然而,现有应用通常需要大量数据集进行训练,或复杂的预训练方案。在此,我们使用来自ChEMBL 23的33个IC50数据集表明,通过扩展在无关图像数据集上预训练的现有架构,仅从其Kekule结构表示即可在连续尺度上准确预测化合物对癌细胞系和蛋白质靶点的体外活性。我们表明,所生成模型的预测能力可与在圆形(Morgan)指纹上训练的随机森林(RF)模型和全连接深度神经网络相媲美。值得注意的是,加入额外的全连接层进一步将ConvNets的预测能力提高了至多10%。对RF模型和ConvNets所生成预测的分析表明,通过简单平均RF模型与ConvNets的输出,我们在多个数据集上获得了比单独任一模型显著更低的预测误差(尽管效应量较小),这表明ConvNets卷积层提取的特征为Morgan指纹提供了互补的预测信号。最后,我们表明在化合物图像上训练的多任务ConvNets能够以与数据不确定性相当的预测误差在连续尺度上建模COX同工型选择性。总体而言,在这项工作中我们提出了一组ConvNet架构,用于从化合物的Kekule结构表示预测其活性,具有SOTA性能,且无需生成化合物描述符或使用复杂的图像处理技术。
引用
@article{arxiv.1811.09036,
title = {KekuleScope: prediction of cancer cell line sensitivity and compound potency using convolutional neural networks trained on compound images},
author = {Isidro Cortes Ciriano and Andreas Bender},
journal= {arXiv preprint arXiv:1811.09036},
year = {2019}
}