該文研究了如何利用3D-CNN識別中樞神經(jīng)系統(tǒng)（CNS）藥物和non-CNS藥物。首先,構(gòu)建CNS藥物和non-CNS藥物數(shù)據(jù)集并優(yōu)化小分子構(gòu)象;然后,以3D網(wǎng)格矩陣編碼小分子結(jié)構(gòu),作為3D-CNN模型的輸入;接著,在模型訓(xùn)練中,采用正交實(shí)驗(yàn)法對3D-CNN模型的超參數(shù)進(jìn)行快速優(yōu)化;最后,使用外部測試集檢驗(yàn)?zāi)Ｐ?達(dá)到ACC為84. 3%,MCC為0. 685,AUC為0. 884的泛化性能。實(shí)驗(yàn)表明,在正交實(shí)驗(yàn)法獲取可靠超參數(shù)組合的基礎(chǔ)上,3D-CNN模型對于CNS藥物的識別具有良好效果,所構(gòu)建的模型為設(shè)計(jì)新的CNS藥物提供了基礎(chǔ)。 

【文章來源】：西北大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,50(01)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1 分子在3D網(wǎng)格中的示意圖

3D-CNN的多個(gè)超參數(shù)直接影響CNN的結(jié)構(gòu)，本文根據(jù)正交實(shí)驗(yàn)進(jìn)行參數(shù)組合，比較每種組合下模型的交叉驗(yàn)證結(jié)果，從而構(gòu)建可靠的3D-CNN模型，模型結(jié)構(gòu)如圖2所示。表2和表3分別是在兩個(gè)和3個(gè)卷積層時(shí)的正交實(shí)驗(yàn)結(jié)果，其中，每個(gè)數(shù)值都是五折交叉驗(yàn)證的平均。使用3個(gè)卷積層時(shí)，最佳參數(shù)是第6個(gè)超參數(shù)組合，即卷積核大小為5，卷積步長3，下采樣核大小及步長為2，初始卷積核個(gè)數(shù)為64，此時(shí)所有預(yù)測率都在80%以上，MCC和AUC分別為0.629,0.848。當(dāng)采用兩個(gè)卷積核時(shí)，最佳參數(shù)是第7個(gè)超參數(shù)組合，即卷積核大小為7，卷積步長1，下采樣核大小及步長為4，初始卷積核個(gè)數(shù)為64，此時(shí)的SEN比3個(gè)卷積核時(shí)低0.5%,SPE基本不變，ACC,MCC,AUC也都略低于3個(gè)卷積核時(shí)的結(jié)果。然而，這兩種結(jié)果非常接近，而且參數(shù)組合相同時(shí)，不同的卷積層數(shù)并沒有表現(xiàn)出明顯的結(jié)果差異，這與Simonyan[30]提到的兩個(gè)3*3卷積層與一個(gè)5*5卷積層的效果幾乎相同的情況一致，不同的卷積層數(shù)通過調(diào)整其他超參數(shù)也可以達(dá)到類似的效果。

為了驗(yàn)證上述的0.3Dropout是否增強(qiáng)了模型的魯棒性，將不使用Dropout和使用0.3Dropout的模型分別對獨(dú)立測試集進(jìn)行測試。從圖3中看到，使用0.3比例的Dropout層時(shí)，模型對獨(dú)立測試集的泛化能力更好，SPE從81.5%上升到85.2%,ACC,MCC,AUC分別提升了1.9%,0.037,0.016。這表明，通過隨機(jī)丟棄全連接層30%的神經(jīng)元，增強(qiáng)了模型的健壯性，使模型在CNS藥物與non-CNS藥物的識別上具有更好的泛化能力。3 結(jié)語


本文編號：3116225