基于数据宽度处理的药物性质分类预测神经网络模型

作者：李梦; 应豪^*

来源：重庆工商大学学报(自然科学版), 2023, 1-11.

• MLP神经网络
• LightGBM
• Optuna自动化调参
• 抗癌候选药物
• 分类预测

【目的】针对常规数据处理导致分类预测精度不高等问题，提出Optuna-MLP-LightGBM组合模型用于抗癌候选药物的性质分类预测。【方法】对收集的1974种化合物（每个化合物各729个分子描述符），首先利用多层感知机（MLP）对高维数据进行聚合处理，再采用跳转连接实现数据的宽度处理，即将输出数据与输入数据合并组成宽度数据集，以此提高数据的特征识别，同时避免有用信息的缺失从而提高信息的流通；然后，用LightGBM替换MLP神经网络中的分类层，可以更好的进行分类处理以及避免过拟合问题，最后构建基于Optuna优化的MLP-LightGBM分类预测模型，用于候选药物的小肠上皮细胞渗透性（Caco-2）的分类预测。【结果】模型AAccuracy、AUC和FF1值分别达到91.03%、97.31%和90.48%，由消融实验可以发现，通过MLP-LightGBM实现数据宽度处理以及分类后，模型分类效果相比MLP模型得到提升，三种指标分别提升了0.51%、1.22%和0.7%；与逻辑回归（LR）、Attentive FP、MLP等传统模型相比该模型能更好整合数据信息，其中与基模型相比平均增长幅度分别达到5.94%、5.65%和6.56%。【结论】由于跳接处理使MLP网络可以达到特征的有效提取和扩充数据集的目的，同时引入机器学习可以更好的提高分类精度，因此在药物高通量筛选中可以成为重要的辅助工具。

• 单位
  重庆工商大学