基于DHTNN和半监督学习的分子毒性预测

背景

分子毒性预测是药物研发过程中的关键环节，传统实验方法成本高昂且耗时长。药物毒性问题是导致临床失败和药物撤回的主要原因之一，因此亟需高效准确的计算方法辅助早期毒性筛查。基于深度学习的方法在分子性质预测领域展现出巨大潜力。

方法

本研究提出基于深度霍克斯时序神经网络(DHTNN)与半监督学习相结合的分子毒性预测框架。将分子结构表示为图结构，通过DHTNN捕捉原子间的时间依赖关系和特征交互。结合半监督学习策略，充分利用未标注分子数据提升模型泛化能力和预测准确性。

应用

该技术可应用于药物研发企业的早期毒性筛选流程，帮助研究人员快速评估候选化合物的安全性风险，降低研发成本和缩短周期。