TopP-S：基于持续同调的多任务深度神经网络用于分配系数与水溶性的同时预测
定量方法
2018-01-08 v1
摘要
水溶性和分配系数是小分子的重要物理性质。准确理论预测水溶性和分配系数在药物设计与发现中起着重要作用。预测精度关键取决于分子描述符，其通常源自对小分子化学和物理的理论理解。本工作引入了一种基于代数拓扑的方法，称为元素特异性持续同调（ESPH），作为小分子的一种全新表示，其完全不同于传统的化学和/或物理表示。ESPH以多尺度、多组分拓扑不变量描述分子性质。此类拓扑表示对于分子大小和组成变化是系统的、全面的和可扩展的。然而，它无法被直译为物理解释。幸运的是，它易于适用于机器学习方法，从而产生了拓扑学习算法。由于溶解度与分配系数之间的内在关联，我们为两种性质开发了统一的ESPH表示，促进了多任务深度神经网络对它们的同时预测。该策略提升了对相对小数据集的预测准确性。本工作共考虑六个数据集以验证所提出的拓扑与多任务深度学习方法。结果表明所提方法实现了一些最准确的水溶性和分配系数预测。我们的软件可在{\url{http://weilab.math.msu.edu/TopP-S/}}在线获取。
引用
@article{arxiv.1801.01558,
title = {TopP-S: Persistent homology based multi-task deep neural networks for simultaneous predictions of partition coefficient and aqueous solubility},
author = {Kedi Wu and Zhixiong Zhao and Renxiao Wang and Guo-Wei Wei},
journal= {arXiv preprint arXiv:1801.01558},
year = {2018}
}