MCCX：结合蒙特卡洛方法、卷积神经网络和提升算法来预测纳米粒子的存活能力

《ACS Applied Engineering Materials》：MCCX: Combining Monte Carlo, Convolutional Neural Networks and Boosting in Predicting Nanoparticle Viability

　　

摘要

依靠少量实验数据集进行建模和预测具有挑战性，特别是当数据集不足、充满噪声或包含高度复杂的关系时。通过利用神经网络（NNs），我们开发了能够处理这类小型数据集的预测模型。我们提出了MCCX模型，该模型结合了蒙特卡洛（MC）采样、卷积神经网络（CNNs）和极端梯度提升（XGB），用于学习和预测暴露于纳米颗粒的生物体的生存能力。与此处考虑的基准模型相比，我们的方法在处理较小的数据集时能够实现更高的准确性，并且预测误差更低，显著优于我们之前的$k$-bagging人工神经网络（ANN）模型。MCCX的出色表现表明，复杂的非线性神经网络方法能够充分利用每个数据点和特征。我们已经验证了这一点，特别是在预测纳米颗粒、暴露条件和生物体的生存能力方面。因此，我们认为MCCX能够高效地从小型实验数据集中学习，以预测可用数据所表示的描述符空间内的属性。