基于改进的降噪自编码药物透血脑屏障预测

药物透血脑屏障是新药研发的一个重要因素。在传统栈式降噪自编码(stacked denoising autoencoder,SDAE)基础上,提出一种改进的SDAE药物透血脑屏障预测方法。利用主成分分析(principal components analysis,PCA)无监督训练一组权值初始化SDAE,避免随机初始化权值造成模型收敛速度较慢的问题;然后为降噪自编码(denoising autoencoder,DAE)增加一层隐藏层,构造双隐层DAE,提高单个DAE提取药物分子抽象特征的能力;融合SDAE最后两个DAE的第一层隐藏层输出作为softmax分类器的输入,最终实现药物透血脑屏障预测。实验表明,与传统的SDAE及浅层机器学习模型SVM相比,改进后的模型对药物透血脑屏障具有更好的预测效果。

基于降噪自编码神经网络的化合物毒性预测方面的研究

常规毒理学实验方法周期长、耗资高,对现代药物研发和环境化合物安全性评估具有局限性,通过对化合物毒理性研究,提取1 047维分子指纹特征,提出去噪自编码神经网络无监督学习机制及对腐败特征的自联想学习特性提取隐含毒性化合物特征,实现化合物毒性预测和毒性化合物的活性预测。该方法在化合物毒性预测和活性预测中的预测精度分别为79.825%、80.85%,敏感性分别为79.62%、80.25%,特异性分别为80.03%、81.45%。实验结果表明,去噪自编码网络较浅层机器学习更适用于高通量化合物毒性预测,较传统自编码网络更具优越性。