申请/专利权人：大连理工大学

申请日：2022-03-29

公开（公告）日：2022-07-12

公开（公告）号：CN114743614A

主分类号：G16C20/70

分类号：G16C20/70;G16C20/90;G16C20/30;G06N20/20;G06Q10/06;G06Q50/26

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.07.29#实质审查的生效;2022.07.12#公开

摘要：本发明属于面向化学品风险管理的高通量筛查技术领域，公开一种筛查致癌性化学品的集成学习方法。在已知化学品分子结构的基础上，通过计算其分子指纹，应用所构建的方法，即可筛查出具有致癌性的化学品。该方法简便高效、可节省实验测试费用。方法的构建过程如下：构建化学品致癌性数据集；分子PubChem指纹计算并进行预处理和特征筛选；集成模型训练；选用准确率等指标对模型性能进行评价；参照OECD导则表征模型应用域；本发明建立的筛查模型具有良好的拟合能力、稳健性和预测能力，能够有效筛查应用域内具有致癌性的化学品，为化学品的健全管理提供必要的工具，具有重要意义。

主权项：1.一种筛查致癌性化学品的集成学习方法，其特征在于，步骤如下：1数据库构建从致癌潜力数据库CPDB中整理805种化学品致癌性数据，其中包括427种致癌物和378种非致癌物，并获取化学品对应的SMILES码；2计算化学品的分子指纹将记载化学品SMILES码的CSV格式文件转化成SDF格式文件；根据SDF格式文件计算805种化学品的PubChem分子指纹；3模型训练以化学品的PubChem分子指纹作为模型的输入，有无致癌性作为模型的预测终点，构建分类模型；将数据集按3:1的比例随机拆分为训练集和测试集，内部验证采取十折交叉验证重复十次，以减小随机误差；测试集用于模型的外部验证；采用四种机器学习算法：支持向量机、随机森林、梯度提升决策树和人工神经网络作为基分类器，采取三三组合的方式并结合软投票策略构建4个集成模型；软投票策略中各个基分类器的权重相同；在人工神经网络模型中，为了避免过拟合，采用批处理和Dropout方法；所有基分类器通过网格搜索法确定算法的最佳超参数；基于最佳超参数构建集成模型，并对验证集化学品的致癌性进行预测，表征模型的外部预测性能；模型调节的超参数如下：支持向量机的最佳超参数为径向基作为核函数，C＝1000,gamma＝1；随机森林的最佳超参数为用gini指数划分属性，最大深度max_depth为40，弱分类器即决策树的数目n_estimators为1000，每棵决策树的最大特征数为总特征数的平方根max_features＝'sqrt'，随机种子random_state设为10；梯度提升决策树的最佳超参数为学习率learning_rate等于0.001，max_depth＝20，n_estimators＝2000，max_features＝'sqrt'，random_state＝10；人工神经网络的最佳超参数为隐藏层神经元neurons个数为512，每批次训练的样本数batch_size为500，dropout_rate＝0.5，总迭代次数epochs为500，输入层采用线性整流函数作为激活函数，隐藏层采用sigmoid函数作为激活函数，二分类的交叉熵作为损失函数，优化器选择RMSProp；4模型性能评估使用训练集准确率RA，敏感度RSE，特异性RSP和受试者工作特征曲线下的面积AROC表征模型拟合优度；验证集的RA，RSE，RSP，AROC和马修斯相关系数RMCC表征模型预测能力；使用训练集的十折交叉验证的标准偏差STD表征模型稳健性；5应用域表征生成化学品的MACCS分子指纹，计算验证集化学品分子A与训练集化学品分子B之间的谷本相似度，计算公式如下： 其中，SAB是分子A和B的谷本相似度，XjA是分子A的第j个指纹特征，XjB是分子B的第j个特征，n是指纹的特征位数；通过自行定义的相似度阈值Scutoff和最少相似分子数量Nmin来定义应用域，即若训练集中与目标分子的谷本相似度大于Scutoff的化学品数超过Nmin，则判定该分子处于应用域内。

全文数据：

权利要求：

百度查询： 大连理工大学 一种筛查致癌性化学品的集成学习方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD