KAN-PROSPECT：一种结合柯尔莫哥洛夫-阿诺德网络的框架，通过迁移学习预测天然产物的作用及不良反应

《Scientific Reports》：KAN-PROSPECT: a Kolmogorov–Arnold Networks–integrated framework for predicting the effects and adverse reactions of natural products via transfer learning

　　

摘要

目前，在评估天然产物的功效和不良反应时仍依赖实验室实验，这一做法成为了新药发现过程中的重大障碍。我们提出了KAN-PROSPECT，这是一种全新的深度学习框架，它将迁移学习与Kolmogorov-Arnold网络相结合。该模型仅需基于分子的SMILES表示即可同时预测天然产物的功效和不良反应，从而解决了现有模型在预测这些方面时普遍存在的泛化能力不足的问题。除了方法上的创新之外，KAN-PROSPECT还有助于实现更可持续、资源效率更高的药物发现过程。该模型采用了跨模态迁移学习策略，先在约3,800种药物上预训练，然后在400种天然产物上进一步微调，因此在双标签预测任务中始终优于基准模型。尤其值得注意的是，它在处理数据稀缺问题时表现出极强的稳定性，尤其在少样本和零样本场景下表现优异。通过迁移学习策略，该模型在一定程度上缓解了天然产物预测任务中常见的数据稀缺问题。此外，KAN层的引入提升了模型对分子结构与相关药理作用或不良反应之间的复杂非线性关系进行建模的能力，进而提升了预测精度。而且，该框架具备很强的泛化能力，能够对完全新的天然产物的功效和不良反应做出高精度预测。KAN-PROSPECT还被用于从MEC和NPASS数据库中全面预测天然产物，其中淫羊藿中的Icaritin被作为典型案例进行研究。总体而言，KAN-PROSPECT是首个将迁移学习与KAN架构结合用于天然产物双标签预测的框架，其在大规模生物活性和毒性预测、新药开发以及天然产物的重新定位应用方面具有巨大潜力。