一种基于贝叶斯的卷积神经网络模型，用于处理多标签文本分类，并在动作机制（MoA）预测中引入不确定性

《ACM Transactions on Asian and Low-Resource Language Information Processing》：A Bayesian Convolutional Neural Network Model with Uncertainty for Multi-label Text Classification on Mechanisms of Action (MoA) Prediction

药物发现中基于贝叶斯深度学习的多标签分类方法研究。摘要：传统多标签分类算法在标签数量增加时效率下降，而深度学习主要处理图像数据。本文提出BCNNM模型，通过数据转换将非图像生物机制数据适配CNN，结合EfficientNet和BLiTZ库实现贝叶斯深度学习，有效解决多标签分类效率低和标签不平衡问题，并量化网络不确定性。

　　

摘要

随着科学研究技术的发展，药物发现方式已经从过去的偶然发现转变为基于对疾病生物学机制理解的更精准的模型方法。然而，已知药物的作用机制（MoA）数据数量庞大，这使得这一过程面临着复杂的文本数据多标签分类问题。传统的多标签文本分类算法会随着标签数量的增加而增加模型的复杂性并降低分类准确性。尽管深度学习算法能够解决模型复杂性的问题，但目前它们仅适用于处理图像格式的数据。为了解决这些问题，本研究提出了一种基于贝叶斯深度学习的多标签分类方法，该方法可以将非图像数据格式转换为图像数据，从而满足卷积神经网络算法的要求。在PyTorch环境中，通过使用BLiTZ库将贝叶斯深度学习算法与EfficientNet卷积神经网络完美结合，构建了名为BCNNM的贝叶斯卷积神经网络模型。该方法不仅提高了分类效率，还解决了多标签数据不平衡分类的问题，并充分考虑了神经网络中的不确定性。在药物开发过程中，该方法对于处理作用机制数据的多标签分类具有重要的实际意义。