基于多模态图注意力网络的堆叠集成致突变性预测模型

为解决药物开发中致突变性化合物的早期识别难题，研究人员开发了一种整合SMILES和分子图的多模态堆叠集成模型。该模型通过图注意力网络(GAT)提取拓扑特征，结合SHAP解释框架，在Hansen基准数据集上取得95.21%的AUC值，为癌症预防和药物安全评估提供新工具。

　　

遗传毒性警报！科学家们打造了一款"分子侦探神器"，能通过SMILES字符串和分子图双重线索，精准揪出潜藏的致突变性化合物。这套系统就像配备化学显微镜的智能侦探：用图注意力网络(Graph Attention Network, GAT)扫描分子拓扑结构，同时让SMILES编码揭示几何构型和理化性质。通过堆叠集成(Stacked Ensemble)多组机器学习分类器，配合博弈论启发的SHAP解释器，不仅能预测致癌风险，还能标注关键分子特征。在Hansen标准测试中，其曲线下面积(AUC)高达95.21%，相当于给药物安评装上了高精度雷达，有望在癌症预防和药物研发中发挥重要作用。