基于多模态深度网络的抗乳腺癌候选药物性质预测.pdf

目录

摘要I

ABSTRACTIII

第1章绪论1

1.1研究背景和意义1

1.2国内外研究现状2

1.3论文主要研究内容和本文创新5

1.4论文组织结构7

29

第章相关概念及技术

2.1神经网络架构9

2.2RDkit12

3ADMET13

第章单模态深度组合神经网络的抗乳腺癌候选药物性质分类预测

3.1前言13

3.2方法与理论14

3.3仿真实验与结果分析18

3.4小结26

第4章多模态深度组合神经网络的抗乳腺癌候选药物ERα活性分类预测27

4.1前言27

4.2多模态深度网络框架设计28

4.3多模态特征生成29

4.4多模态特征提取及数据融合35

4.5仿真实验与结果分析39

4.6小结47

548

第章总结与展望

5.1总结48

5.2展望48

参考文献50

致谢55

在学期间科研及获奖情况56

摘要

基于多模态深度网络的抗乳腺癌候选药物性质预测

摘要

乳腺癌是女性中最常见的癌症类型，在全球范围内占据了首位。早期的药物

治疗在提高乳腺癌患者的生存率方面发挥着重要作用。而目前药物研发则面临多

个挑战，其中包括评估药物的低毒性、良好的吸收性能等ADMET性质外，还需

确定药物的活性。因此，精确地预测药物性质可以为药物研发提供有针对性的指

导，减少不必要的资金和时间浪费。本文分别对抗乳腺癌候选药物ADMET性质

数据集和药物ERα活性数据集进行建模分析，旨在建立经济高效、准确可靠的药

物性质预测模型，以确定潜在的药物价值。主要进行了以下工作：

（1）针对单模态下常规数据处理导致分类预测精度不高等问题，本文提出了

基于Optuna-MLP-LightGBM深度网络的分类预测模型。首先，利用MLP对高维

数据进行聚合处理，并采用跳转连接实现数据的宽度处理，提高数据的特征识别；

其次，用LightGBM替换MLP神经网络中的分类层，提升模型稳定性和数据的识

别；最后，构建基于Optuna优化的MLP-LightGBM分类预测模型。实验结果表明：

AccuracyAUCF191.03%97.31%90.48%

模型、和值分别达到、和；在消融实验

中模型各模块也实现对数据信息的有效提取；与传统模型相比该模型能更好整合

数据信息，其中与基模型相比增长幅度分别达到6.93%、5.79%和7.40%；此外，

模型也有一定泛化能力。这说明该模型能更好地整合特征信息，并取得预测精度

上的提升。

（2）针对单模态数据不能更全面地实现药物分子信息表达，以及模态特征提

取和融合存在的局限性，本文基于注意力机制和卷积神经网络，提出了

Optuna-EMMCNN-LightGBM深度网络模型，基于不同模态数据综合考虑药物

SMILE、分子指纹和分子图等多方面性质特征，并对数据进行融合，从而深层次

对药物特征的理解、提高抗乳腺癌药物性质预测精度。首先，基于SMILES表达

式生成另外的模态数据：分子指纹和词向量，以实现分子间差异信息的补充；其

次，构建多模态深度网络框架：EMMCNN，该框架将Attention-MLP神经网络和

1D-CNNP神经网络结合