
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一个用于开发人工智能驱动模型的流程,以预测分子起始事件:以神经管缺陷为例的研究
《Journal of Cheminformatics》:A pipeline for developing AI-driven models to predict molecular initiating events: a case study on neural tube defects
【字体: 大 中 小 】 时间:2026年04月04日 来源:Journal of Cheminformatics 5.7
编辑推荐:
摘要不良结局途径(Adverse Outcome Pathways,AOPs)描述了导致毒性的分子和细胞事件序列。每条途径都始于一个分子引发事件(Molecular Initiating Event,MIE),并最终导致一个不良结局。早期识别化学物质对与MIE相关的蛋白质靶点的活
不良结局途径(Adverse Outcome Pathways,AOPs)描述了导致毒性的分子和细胞事件序列。每条途径都始于一个分子引发事件(Molecular Initiating Event,MIE),并最终导致一个不良结局。早期识别化学物质对与MIE相关的蛋白质靶点的活性有助于进行初步的毒性评估,并帮助研究人员确定后续实验研究的重点机制。在这里,我们介绍了一种自动化的人工智能流程,该流程将原始的ChEMBL生物活性数据转换为优化的深度学习模型,用于预测MIE。该流程基于知识引导的图变换器(Knowledge-Guided Pre-training of Graph Transformer,KPGT)框架,该框架将化学结构表示为富含知识的分子图。它整合了数据整理、分子图生成以及模型训练和调优等功能。这种集成使得用户能够以无缝且可复制的方式构建特定于目标的预测模型,从初始数据开始,最终得到可部署的人工智能模型。我们在一个神经管缺陷(Neural Tube Defect,NTD)案例研究中展示了其应用效果:经过微调的KPGT模型在预测与发育毒性相关的MIE方面优于传统的基于径向基函数核的支持向量机(Support Vector Machine with Radial Basis Function Kernel,SVM-RBF)模型。研究结果凸显了人工智能驱动的毒性建模在加速AOP开发、优化终点优先级以及确定需进行实验验证的化学物质方面的潜力。通过提供端到端的数据到模型工作流程,该流程降低了在毒理学中使用现代基于图的神经架构的技术门槛,为构建可部署的MIE预测模型提供了可复制的途径,这些模型有助于AOP开发、化合物优先级排序以及早期化学安全性评估。
不良结局途径(Adverse Outcome Pathways,AOPs)描述了导致毒性的分子和细胞事件序列。每条途径都始于一个分子引发事件(Molecular Initiating Event,MIE),并最终导致一个不良结局。早期识别化学物质对与MIE相关的蛋白质靶点的活性有助于进行初步的毒性评估,并帮助研究人员确定后续实验研究的重点机制。在这里,我们介绍了一种自动化的人工智能流程,该流程将原始的ChEMBL生物活性数据转换为优化的深度学习模型,用于预测MIE。该流程基于知识引导的图变换器(Knowledge-Guided Pre-training of Graph Transformer,KPGT)框架,该框架将化学结构表示为富含知识的分子图。它整合了数据整理、分子图生成以及模型训练和调优等功能。这种集成使得用户能够以无缝且可复制的方式构建特定于目标的预测模型,从初始数据开始,最终得到可部署的人工智能模型。我们在一个神经管缺陷(Neural Tube Defect,NTD)案例研究中展示了其应用效果:经过微调的KPGT模型在预测与发育毒性相关的MIE方面优于传统的基于径向基函数核的支持向量机(Support Vector Machine with Radial Basis Function Kernel,SVM-RBF)模型。研究结果凸显了人工智能驱动的毒性建模在加速AOP开发、优化终点优先级以及确定需进行实验验证的化学物质方面的潜力。通过提供端到端的数据到模型工作流程,该流程降低了在毒理学中使用现代基于图的神经架构的技术门槛,为构建可部署的MIE预测模型提供了可复制的途径,这些模型有助于AOP开发、化合物优先级排序以及早期化学安全性评估。
生物通微信公众号