3Br-MGD：基于三分支深度编码器与元学习框架的少样本毒性预测方法

《Scientific Reports》：3Br-MGD: few-shot toxicity prediction with a three-branch deep encoder and meta-learning framework

　　

摘要

预测药物化合物的毒性仍是药物发现领域面临的重大挑战。在开展成本高昂的临床前和临床测试之前，及时且准确地评估毒性对于排除有害候选物质至关重要，这有助于提升患者安全、降低研发成本并加速药物开发进程。尽管计算毒理学已取得一定进展，但现有方法往往难以捕捉复杂的分子特征，且在数据有限的情况下难以保持良好的性能。为解决这些问题，我们提出了3Br-MGD这一新型三分支框架，它结合深度学习与元学习技术用于分子毒性预测。该框架整合了多种互补的分子表示方法：FingerprintMLP用于编码摩根指纹描述符，图卷积网络（GCNs）可提取分子图中的结构信息，而一维深度卷积神经网络（1D-CNNs）则能从SMILES字符串中提取序列特征。这些嵌入信息被整合到基于原型网络的少样本学习框架中，从而能够在标记样本有限的情况下快速适应新的预测任务，并提升在资源匮乏环境下的泛化能力。在各类基准毒性数据集上的实验结果表明，3Br-MGD在预测精度、稳健性及泛化能力方面均优于传统方法。此外，通过整合多种不同的分子编码器，该框架减少了对大规模训练数据的依赖，同时还能利用多种分子视角的互补化学信息，提升模型的可解释性。