基于超维度计算的化合物毒性预测

《Molecular Informatics》：Predicting the Toxicity of Chemical Compounds via Hyperdimensional Computing

　　

准确且高效地评估化合物的潜在毒性至关重要，因为化合物在制药、工业和环境领域应用广泛。传统毒理学评价主要依赖大量的体外（in vitro）和体内（in vivo）实验，通常缓慢且昂贵。在此，研究人员介绍了一种超维度计算（Hyperdimensional Computing，HDC）的新应用——这是一种受人类大脑信息编码方式启发、近期发展起来的计算范式，用于将化合物高效分类为有毒或无毒。该方法采用化合物的简化分子输入线性规范（Simplified Molecular Input Line Entry System，SMILES）表示，数据来源于全面的Tox21数据集。研究人员描绘了一个流程，其中这些化学结构被编码为高维二进制向量，这些向量随后作为HDC框架内训练和分类的基础。该方法利用了HDC的固有优势，包括其对噪声的鲁棒性、并行处理能力以及识别复杂模式的有效性。本工作证明了HDC作为一种计算轻量级的一线解决方案用于初步毒性筛查的可行性。该研究通过验证HDC在化学性质预测中的潜力，显著促进了化学信息学领域的发展，从而有助于加速识别有害物质并减少对大量实验室实验的依赖。

### 论文解读：基于超维度计算的化合物毒性预测

化学化合物在医药、工业、环境等领域应用广泛，但其潜在毒性评估至关重要。传统毒理学评价依赖体外和体内实验，耗时昂贵且引发伦理问题。计算毒理学虽通过定量构效关系（Quantitative Structure–Activity Relationship，QSAR）等模型进行预测，但传统方法依赖预先计算的分子描述符，特征工程可能丢失重要的结构信息。为此，研究人员提出将超维度计算（Hyperdimensional Computing，HDC）这一受大脑信息编码方式启发的计算范式，首次应用于毒性预测。该研究发表于《Molecular Informatics》。

本研究使用Tox21数据集（包含7832种化合物、12个生物受体），以SMILES字符串作为输入，构建了无需人工描述符的HDC分类管道。研究人员比较了三种SMILES分词策略，并系统评估了模型性能、计算效率及可解释性。

#### 关键技术方法

研究人员主要采用了以下方法：数据来源于Tox21公开数据集；使用原子级、k-mer（长度为4）和片段级（BRICS）三种分词策略将SMILES转换为Token；采用随机投影将每个Token编码为10,000维双极超向量，并通过位置置换与捆绑生成化合物超向量；以类别原型向量和余弦相似度进行分类；采用重复欠采样与五折交叉验证处理类别不平衡，并通过迭代误差修正优化原型；使用PyCaret框架与基于219个描述符的传统机器学习模型对比；通过计算Token与毒性原型间的余弦距离进行可解释性分析。

#### 研究结果

##### 3.1 实验设置与评估指标
研究人员将数据按80/20划分为训练集和测试集，针对每个受体进行重复欠采样，以F₁-score为主要评估指标。该协议有效缓解了Tox21中严重的类别不平衡问题。

##### 3.2 优化K-mer长度
通过比较k=2至10的k-mer长度，发现k=4时平均F₁-score最高，约为64%。更长的k-mer导致词汇稀疏、泛化能力下降，而k=4在局部化学上下文和通用性之间达到最佳平衡。

##### 3.3 分词策略比较
三种策略中，k-mer（k=4）平均F₁-score约为64%，优于原子级（约59%）和片段级（约58%）。原子级缺乏上下文信息，片段级受限于预定义片段库，而k-mer能有效捕获局部结构基序。在12个受体中，k-mer在多数靶标上表现最佳，如NR-AR-LBD和SR-MMP。

##### 3.4 迭代误差修正的有效性
训练初始误差率最高约40%，经过最多100轮迭代后，大部分模型收敛至接近0%。迭代更新通过强化正确分类和反向修正误分类样本，显著降低了训练误差。

##### 3.5 计算性能分析
k-mer模型训练最快（1.85秒），所有单个模型训练均低于10秒，推理时间可忽略。内存使用与词汇量成正比，k-mer模型约750 MB，片段模型约300 MB，原子模型不足100 MB。这证明HDC适合大规模化学库筛选。

##### 3.6 与基于描述符的方法比较
传统QSAR模型在Tox21上的F₁-score为59%–84%，但训练需3.47–22.73分钟，并依赖大量描述符计算。HDC最佳F₁-score为71.52%，训练时间小于15秒，在效率和简单性上具有显著优势，适合作为第一道筛查工具。

##### 3.7 模型可解释性与特征提取
通过分析毒性原型与Token间的余弦距离，研究人员识别出各受体相关的共识结构基序。例如，雄激素受体相关毒性富集类固醇骨架片段，雌激素受体毒性富集酚环，芳烃受体毒性富集芳香环，而应激通路毒性则富集羰基、胺基等反应性基团。这验证了HDC学习到的是化学语义而非统计噪声。

#### 讨论与结论

讨论部分指出，本研究是免描述符范式的概念验证。k-mer（k=4）的优势表明，局部化学上下文是毒性预测的关键信息。HDC提供了中等预测性能、极简流程和高计算效率的权衡，适合作为描述符模型之前的初步筛查。局限性包括中等预测精度以及类原型向量解释困难，未来可发展更复杂的HDC编码方案或混合模型。

本研究的结论可翻译为：总之，本工作成功验证了HDC作为一种有前景且计算高效的毒性预测范式。未来研究应聚焦于缩小性能差距，例如开发结合理化性质的HDC编码方案，或探索将HDC快速筛查与更复杂模型精炼相结合的混合模型。这些进展将对开发下一代工具、增强保障人类与环境健康的能力至关重要。