基于拓扑的多任务深度神经网络用于定量毒性预测
定量方法
2017-12-13 v1
摘要
毒性的理解对人类健康与环境保护至关重要。定量毒性分析已成为该领域的新标准。本文引入元素特异性持续同调（ESPH）这一代数拓扑方法用于定量毒性预测。ESPH 在几何复杂性的拓扑抽象过程中保留了关键的化学信息，并提供了其他任何方法都无法获得的小分子表示。为考察 ESPH 对小分子的表示能力与预测能力，还基于物理模型开发了辅助描述符。拓扑描述符与物理描述符同深度神经网络（DNN）、随机森林（RF）和梯度提升决策树（GBDT）等先进机器学习算法相结合，以促进其在定量毒性预测中的应用。提出一种基于拓扑的多任务策略，以在处理小数据集时利用大数据集的可获得性。使用四个涉及定量测量的基准毒性数据集来验证所提出的方法。大量数值研究表明，所提出的拓扑学习方法在定量毒性分析中能够优于文献中的最优（SOTA）方法。我们用于计算元素特异性拓扑描述符（ESTDs）的在线服务器位于 http://weilab.math.msu.edu/TopTox/。
引用
@article{arxiv.1712.04339,
title = {Quantitative toxicity prediction using topology based multi-task deep neural networks},
author = {Kedi Wu and Guo-Wei Wei},
journal= {arXiv preprint arXiv:1712.04339},
year = {2017}
}
备注
arXiv admin note: substantial text overlap with arXiv:1703.10951