多模态特征融合在骨毒性预测及本地平台中的应用

《Journal of Chemical Information and Modeling》：Multimodal Feature Fusion for Bone Toxicity Prediction and Local Platform

药物骨毒性预测中传统方法难以捕捉复杂分子-毒性关系，本研究提出多模态预测模型BTP-MFFGNN，整合分子指纹与图结构特征，通过图神经网络、注意力机制和自适应融合策略，显著提升预测性能（ACC 0.85，AUC 0.92），并开发开源平台OsteoToxPred支持快速可视化预测。

　　

药物引起的骨毒性是指某些药物对骨骼代谢、密度和结构的不良影响，这在临床实践、药物研发和环境健康方面带来了严重的安全问题。尽管之前的研究尝试使用机器学习方法来预测骨毒性，但传统方法往往难以捕捉分子结构与毒性之间的复杂关系。为了解决这个问题，我们整理了一个专门的骨毒性数据集，并提出了一种新型的多模态预测模型，称为BTP-MFFGNN，该模型将分子指纹与基于图的特征相结合。通过设计一个专门用于处理骨毒性中复杂相互作用的图神经网络，以及先进的注意力机制和自适应门控融合策略，我们的模型能够精确捕捉分子结构与毒性之间的非线性关系，深入揭示复杂的分子相互作用。实验结果表明，BTP-MFFGNN在骨毒性预测方面取得了显著改进，其准确率（ACC）为0.85，AUC为0.92，分别比之前的最佳模型提高了13%和8%。为了实现实际应用，我们开发了一个名为OsteoToxPred的本地平台（请访问https://pzj-123456.github.io/查看演示），该平台支持SMILES输入，并能提供快速、可视化的预测结果。我们的工作为骨毒性评估提供了一个有效的计算框架，为更安全的药物发现和基于机制的毒理学研究提供了宝贵的支持。所有代码均可在https://github.com/zhaoqi106/BTP-MFFGNN在线免费获取。