基于融合神经网络模型的药物分子性质预测

在生物信息学领域,人工智能方法在预测药物分子的物理化学性质和生物活性中获得了重大成功,特别是神经网络已被广泛应用到药物研发中.但是浅层神经网络的预测精度低,深度神经网络又容易出现过拟合的问题,而模型融合策略有望提升机器学习中弱学习器的预测能力.据此,文中将模型融合方法首次应用到药物分子性质的预测中,通过对药物分子的化学结构进行信息化编码,采用平均法、堆叠法融合浅层神经网络,提高对药物分子pKa预测的能力.与深度学习方法相比,堆叠法(Stacking)融合的模型具有更高的预测准确性,其预测结果的相关系数达到0.86.通过将多个弱学习器的神经网络有机组合可使其达到深度神经网络的预测精度,同时保留更好的模型泛化能力.研究结果表明,模型融合方法可提高神经网络对药物分子pKa预测结果的准确性和可靠性.     

机器学习预测化合物的雌雄激素受体活性

预测一种化合物的雌雄激素受体的活性，对于避免暴露于环境中类似雌雄激素的化学物质是非常重要的。采用包括支持向量机、随机森林等多种机器学习方法，利用Binding Database数据库建立了预测活性的定量结构-活性关系（quantitative structure-activity relationship,QSAR）模型，并对模型进行验证与评估。评估结果发现，随机森林结合扩展连通性分子指纹对数据集预测准确率为0.83，其受试者工作特征曲线（receiver operating characteristic curve, ROC）得到的数据集曲线下面积（area under curve, AUC）为0.892，表明该模型具有广泛且良好的预测能力。该研究建立的活性预测模型可用于化合物的活性预测，为内分泌化合物的活性评估和风险管理提供参考。