基于图注意力网络的药物ADMET分类预测模型构建方法.docx

基于图注意力网络的药物ADMET分类预测模型构建方法 摘要： 本文提出了一套基于图注意力网络的ADMET分类预测模型构建方法，旨在解决药物研发中的ADMET性质评价问题。该方法通过收集和整合大规模药物ADMET数据，构建标准化流程对多源异构数据进行清洗和整合，并使用图注意力网络算法搭建ADMET预测模型。本文还对比了其他五种基于机器学习和图神经网络的模型，证明了图注意力网络在ADMET属性预测建模的优越性。 知识点： 1. 药物ADMET性质评价的重要性：ADMET性质评价是药物研发中的重要环节，涵盖了药物的吸收、分布、代谢、排泄、毒性等药代动力学和毒理学问题。 2. 传统ADMET实验方法的缺陷：用于ADMET性质评价的实验方法昂贵而耗时，增加了药物研发成本并导致研发周期更加漫长。 3. 计算机技术和化学信息学在药物发现领域的应用：随着计算机技术和化学信息学的发展，药物实验数据不断积累，使药物发现领域研究者利用已有药物ADMET数据和多种算法模型构建ADMET预测模型具备可行性。 4. 基于图注意力网络的ADMET分类预测模型：本文提出了一套基于图注意力网络的ADMET分类预测模型构建方法，该方法可以从多个药物数据库中收集、整合大规模药物ADMET数据，构建标准化流程对多源异构数据进行清洗和整合，并使用图注意力网络算法搭建ADMET预测模型。 5. 图注意力网络在ADMET属性预测建模的优越性：本文对比了其他五种基于机器学习和图神经网络的模型，证明了图注意力网络在ADMET属性预测建模的优越性。 6. 机器学习和图神经网络在ADMET预测模型中的应用：机器学习和图神经网络是ADMET预测模型中的两种主要方法，机器学习方法使用分子指纹和分子描述符作为分子特征，而图神经网络方法使用图结构表示分子，通过传递节点和边的信息捕捉图的局部关系自动学习图属性。 7. 图神经网络在药物属性预测方面的优越性：图神经网络可以通过数据驱动式训练，将分子结构信息转换为连续的低维稠密向量，优于高维稀疏的分子指纹，且在药物属性预测方面的优越性已被MoleculeNet所证实。 8. 多任务学习在ADMET预测模型中的应用：Chemi-Net使用多任务分子图卷积网络预测ADMET中的部分连续型属性，在13个回归任务中的模型预测性能表现优于多任务深度学习网络。