[JCIM 2022 | 论文简读] 多任务深度神经网络在Ames致突变性预测中的应用

简读分享 | 王宇哲 编辑 | 龙文韬

论文题目

Multitask Deep Neural Networks for Ames Mutagenicity Prediction

论文摘要

Ames致突变性试验是评估候选药物致突变性潜力最常用的方法。虽然该测试采用了使用各种鼠伤寒沙门菌菌株的实验结果，但用于预测致突变性的生物信息学模型中发表的绝大多数都没有考虑到对每个菌株进行的单个实验的测试结果。相反，这种QSAR模型通常使用整体标签(即诱变和非诱变)进行训练。最近，基于神经的模型结合多任务学习策略在不同的领域产生了有趣的结果，因为它们能够构建多目标函数。在这种情况下，本文提出了一种新的基于神经的QSAR模型来预测致突变性，该模型通过多任务学习方法利用Ames试验中涉及的不同菌株的实验结果。本文提出的建模策略尚未应用于Ames致突变性的建模。本文的模型所得到的结果超过了单任务建模策略所得到的结果，如预测整个Ames标签的模型或从单个菌株建立的集成模型。为了再现性和可访问性的目的，本文实验中使用的所有源代码和数据集都是公开的。

论文链接

https://pubs.acs.org/doi/10.1021/acs.jcim.2c00532

github链接

https://github.com/VirginiaSabando/MTL_DNN_Ames