基于Agraph卷积的分类模型，用于从越南传统草药数据库中识别抗癌代谢物的分类模型
一、文章概述
几千年来，越南一直是丰富多样的草药来源，在药物开发中发挥各种目的，以解决健康问题，如癌症。声称化学信息学相关的原理，结构相似的化合物很可能有类似的生物活性，本研究采用分子图卷积，机器学习体系结构从小分子提取特征的作为无向图，预测基于代谢物的结构越南草药的抗癌能力。除了分子图卷积，扩展连接指纹，一种传统的利用分子细节的饱和器(ECFP)，以进行性能比较。最后，我们成功地构建了一个基于图卷积的神经网络，具有较高的预测精度，表明该模型在检测抗癌活性方面是可靠的。
二、图文导读
图1.从NCI-60数据集建立训练和预测抗癌活性的数据集。
图2.在迭代0时，部分分子的说明。N表示氮原子，被认为是检测原子或核心原子，其标识符为d。C和O分别表示碳，标识符为b的氧原子和标识符为a的氧原子。一行代表单键，双线代表双键。
图3.在迭代0和迭代1时，N个原子的标识符d的说明。每次迭代后，子结构表示在化学结构洞察力方面变得更加丰富。
图4.在图卷积层中的操作说明。C1、C2和C3的阵列表示C原子的特征向量。N原子和O原子分别使用相同的符号。核心原子，氮，被标记为蓝色。为了进行卷积，形成与3个相邻原子相关的核心原子的新特征，这个总和将由一个激活函数进行和包裹。新的特征向量被标记为红色。类似地，同样的过程将应用于分子结构中的所有节点，这将为每个节点产生全新的特征向量。
图5.在两个相邻原子的核心原子上的图卷积层的说明。
图6.基于劳盟-俄罗斯石油公司的分类性能。
三、全文总结
我们成功地构建了抗癌活性预测模型，尽管数据集规模小，结果有希望。此外，我们还成功地从NCI-60数据库中抓取微笑数据，并进行过滤，获得最终清理后的数据集，从而取得了良好的性能。在未来，该模型将作为一个独立的版本构建，作为挖掘越南药用植物的工具。基于这项研究，DeepChem不仅有能力发现抗癌候选药物，而且还可以用于对针对其他疾病的潜在候选药物进行图挖掘。
文章链接：
http://n.ustb.edu.cn/https/77726476706e69737468656265737421f4fb0f9d243d265f6c0f/doi/10.1145/3184066.3184090
本信息源自互联网仅供学术交流 ，如有侵权请联系我们立即删除。
| 温馨提示：苏州北科纳米供应产品仅用于科研，不能用于人体,不同批次产品规格性能有差异。网站部分文献案例图片源自互联网，图片仅供参考，请以实物为主，如有侵权请联系我们立即删除。 |
下一篇： 纳米医学产品1
