基于几何散射变换的图神经网络模型GeoScatt-GNN在Ames致突变性预测中的应用研究

《Neural Networks》：GeoScatt-GNN: A Geometric Scattering Transform-Based Graph Neural Network Model for Ames Mutagenicity Prediction

本文提出了一种创新的分子致突变性预测框架，通过融合几何图散射（GGS）、图同构网络（GIN）和机器学习模型，开发了新型图神经网络架构MOLG3-SAGE。该研究首次证实2D散射系数优于传统分子描述符，在Hansen数据集上实现了超越现有基准的预测性能，为药物发现和化学安全评估提供了新范式。

　　

结果与讨论

我们在广受认可的Hansen等人Ames致突变性预测基准数据集上开展了实验。经过严格的数据预处理后，最终数据集包含6,277种化合物。为确保模型评估的稳健性，我们采用了系统的数据划分策略：80%数据用于模型开发（训练与验证），剩余20%用于独立测试。在开发阶段，我们采用10折交叉验证...

结论

本文提出了一个综合分子致突变性预测框架，融合了几何图散射、2D图像散射和创新图神经网络架构MOLG³-SAGE等多种方法。我们的多维研究方法通过多项重要贡献显著提升了现有技术水平：首先，我们证实2D图像散射特征优于传统分子描述符（包括RDKit2D、MACCS、Mordred等）；其次，我们构建的混合框架成功统一了几何图散射（GGS）与图神经网络；最终，我们设计的MOLG³-SAGE架构通过将GGS节点特征嵌入全连接图结构，实现了最先进的预测性能。