换一批基于降噪自编码神经网络的化合物毒性预测方面的研究
Research on toxicity prediction of compound based on denoising autoencoder neural network
摘要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.
更多相关知识
关键词
化合物毒性预测毒性化合物活性预测分子指纹去噪自编码神经网络传统自编码网络compound toxicity predictionprediction of toxic compounds activitymolecular fingerprintsdenoising autoencoder neural networktraditional autoencoder neural network
分类号
TP391
栏目名称
DOI
10.3969/j.issn.1001-3695.2018.03.022
发布时间
2018-05-07（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
