基于融合神经网络模型的药物分子性质预测

• 作者: 谢良旭 李峰 谢建平 许晓军
• 来源期刊: 计算机科学
• 关键词: 计算机辅助药物设计 生物信息学 模型融合 深度学习 机器学习
• 年，卷（期）: 2021,（9）
• 所属期刊栏目: 人工智能|Artificial Intelligence
• 页码范围: 251-256
• 页数: 6页
• 分类号: TP183
• 语种: 中文
• DOI: 10.11896/jsjkx.200700066

摘要

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.