计算机应用

作者：黄云川, 江永全, 黄骏涛, 杨燕

单位：1.西南交通大学 计算机与人工智能学院, 成都 611756；2.可持续城市交通智能化教育部工程研究中心(西南交通大学), 成都 611756；3.四川省制造业产业链协同与信息化支撑技术重点实验室(西南交通大学), 成都 611756；4.西南交通大学 生命科学与工程学院, 成都 611756

关键词：深度学习,分子毒性预测,元学习,图同构网络,Transformer

基金：国家自然科学基金资助项目(61976247);中央高校基本科研业务费专项资金资助项目(2682021ZTPY110)

为了获得更准确的分子毒性预测结果，提出基于元图同构网络的分子毒性预测模型Meta-MTP。首先，使用图同构神经网络将原子作为节点、键作为边、分子作为图结构，以获取分子表征；使用预训练模型对图同构网络（GIN）初始化，使它获得更好的参数；引入基于分层注意力和局部增强的前馈Transformer；使用原子类型预测和键预测作为辅助任务提取更多的分子内部信息；通过元学习双层优化策略对模型进行训练；最后使用Tox21和SIDER数据集对模型进行训练。实验结果表明，在Tox21和SIDER数据集上，Meta-MTP具有良好的分子毒性预测能力，当样本数为10时，相较于FSGNNTR（Few-Shot Graph Neural Network-TRansformer）模型，Meta-MTP的曲线下面积（AUC）分别提高了1.4%和5.4%，相较于图同构网络（GIN）、图卷积网络（GCN）和GraphSAGE（Graph Sample and AGgrEgate）3种传统的图神经网络模型，Meta-MTP的AUC提高了18.3%~23.7%和7.3%~22.2%。

来源：2024年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第9期