准确的临床毒性预测：多任务深度神经网络与对比分子解释
摘要：可解释的机器学习方法在分子毒性预测方面是一种有前景的方法，可以提高药物开发和化学安全的效率。毒性的预测机器学习模型可以减少实验成本和时间，并通过大幅减少动物和临床测试来缓解伦理关注。在本文中，我们使用深度学习框架同时对体外、体内和临床毒性数据进行建模。我们使用了两种不同的分子输入表示法：Morgan指纹和预训练的SMILES嵌入。多任务深度学习模型可以准确预测所有终点的毒性，包括临床毒性，这通过AUROC和平衡准确度指标进行了验证。特别是，与现有的MoleculeNet基准模型相比，将SMILES嵌入作为多任务模型的输入可以改进临床毒性的预测。此外，我们的多任务方法在体外、体内和临床平台上都与最先进的方法相媲美，全面性得到了保证。通过多任务模型和迁移学习，我们能够确定临床毒性预测中对体内数据的最低需求。为了提供置信度和解释模型的预测，我们采用了一种事后对比解释方法，返回相关的正向和负向特征，这些特征与已知的致突变和反应性毒性团结构相对应，如未置换的键合杂原子、芳香胺和Michael受体。此外，通过相关特征分析检测到的毒性团结构更多地涵盖体外（53％）和体内（56％）的终点，而不是临床终点（8％），并且确实发现已知毒性团结构数据中对体外和体内实验数据的偏好。据我们所知，这是首次对临床和体内分子毒性预测进行全面的对比解释，包括现有和不存在的亚结构。
作者：Bhanushee Sharma, Vijil Chenthamarakshan, Amit Dhurandhar, Shiranee Pereira, James A. Hendler, Jonathan S. Dordick, Payel Das
论文ID：2204.06614
分类：Quantitative Methods
分类简称：q-bio.QM
提交时间：2022-04-15