《電子技術應用》
您所在的位置：首頁 > 通信與網(wǎng)絡 > 設計應用 > 基于SGCN的化合物致癌性預測模型
基于SGCN的化合物致癌性預測模型
2022年電子技術應用第6期
魏若冰，何家峰，邱曉芳，劉 旗
廣東工業(yè)大學 信息工程學院，廣東 廣州 510006
摘要： 癌癥患者的激增引起了全世界的關注，許多研究者將目光放在了對化合物致癌性的評估上，但這是一項極其具有挑戰(zhàn)性的任務。本實驗獲取了341種實驗數(shù)據(jù)，利用三維圖卷積網(wǎng)絡(SGCN)，建立了對化合物致癌性的預測模型。結(jié)果表明：對化合物進行致癌性預測的SGCN分類模型準確率高達96.9%，比其余模型效果更好，這表明SGCN模型能夠準確地對化學品進行分類，并且在實際應用中具有相當大的潛力。
中圖分類號： TP183
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212080
中文引用格式： 魏若冰，何家峰，邱曉芳，等. 基于SGCN的化合物致癌性預測模型[J].電子技術應用，2022，48(6)：33-35，41.
英文引用格式： Wei Ruobing，He Jiafeng，Qiu Xiaofang，et al. Predict the carcinogenicity of compounds with SGCN[J]. Application of Electronic Technique，2022，48(6)：33-35，41.
Predict the carcinogenicity of compounds with SGCN
Wei Ruobing，He Jiafeng，Qiu Xiaofang，Liu Qi
College of Information Engineering，Guangdong University of Technology，Guangzhou 510006，China
Abstract： The rapid increase of the number of cancer patients has attracted worldwide attention. Researchers are very concerned about the assessment of the carcinogenicity of compounds, but this is extremely challenging. In this paper, 341 kinds of experimental data were obtained, and the spatial atom feature combined with the spatial graph convolutional network(SGCN) was used to establish a model that could predict the carcinogenicity of compounds. The results showed that when compared to other models, the classification model of the SGCN was more suited to predicting the carcinogenicity of compounds and had an overall classification accuracy of 96.9%, which showed that the SGCN model could accurately classify chemicals and had considerable potential in practical applications.
Key words : spatial graph convolutional network；classification model；carcinogenicity of compounds

0 引言

    由于技術的發(fā)展，新化合物的合成速度加快，每年誕生的化合物數(shù)以萬計[1-2]，傳統(tǒng)的評價方法不可能對所有的化合物進行評估。并且近年來患癌人數(shù)不斷增多[3]，目前仍不清楚大多數(shù)的癌癥是由于暴露于何種致癌化合物而導致的。世界衛(wèi)生組織國際癌癥機構(gòu)(IARC)致癌清單中只有429種化合物被歸為具有致癌性物質(zhì),但仍有500余種化合物未進行判定。傳統(tǒng)的化合物致癌性評估主要通過實驗測試進行，試驗周期長且成本昂貴，不確定因素過多，因此迫切需要開發(fā)替代方法和工具來評估化合物的致癌性。

    利用計算機進行毒性預測[4]是安全評價的重要手段，能夠大幅度節(jié)省非臨床安全評價試驗成本，提高試驗設計的科學性和準確性。隨著機器學習的不斷發(fā)展，支持向量機(SVM)、隨機森林、神經(jīng)網(wǎng)絡(Random Forest)和K-最近鄰(KNN)等機器學習算法已被廣泛用于化合物毒性預測中[5-7]。此外，對致癌性化合物的預測也有一些報道。2004年，張曉昀等人[8]用人工神經(jīng)網(wǎng)絡中誤差反向傳播網(wǎng)絡(BPNN)和徑向基函數(shù)網(wǎng)絡(RBFNN)對化合物的致癌性強弱進行了分類，模型的分類準確率達到了80%以上；2005年，張振山等人[9]用PCA對分子描述符降維，利用決策森林的方法預測化合物致癌性；在2007年，謝瑩等人[10]基于gSpan算法，挖掘與已知毒性化合物具有相同字結(jié)構(gòu)的化合物，進行未知化合物的毒性預測；2017年，梁倩倩等人[11]基于量化構(gòu)效關系(QSAR)方法預測N-亞硝基化學物(NOCs)的致癌性，同年，閻愛俠等人[12]構(gòu)建化合物的多維描述符，分別采用4種機器學習方法(樸素貝葉斯、隨機森林、多層感知機和支持向量機)，模型的平均正確率達到74%±3%。




本文詳細內(nèi)容請下載：http://ihrv.cn/resource/share/2000004415。




作者信息：

魏若冰，何家峰，邱曉芳，劉  旗

(廣東工業(yè)大學 信息工程學院，廣東 廣州 510006)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。