基于 GNN-RNN 混合网络的小样本血清毒性参数的预测方法及应用
知识产权简介
本发明涉及基于GNN-RNN混合网络的小样本毒性参数的预测方法及应用，所述预测方法包括模型构建和基于MAML框架训练模型，所述模型构建包括：数据预处理与输入构建、图结构模态、序列模态和多模态特征融合与下游网络；所述基于MAML框架训练模型包括：将血清学毒性元训练任务分为支持集合查询集，将支持集上的梯度下降更新，并更新元参数，经过迭代优化以及数据增强后进行模型评估。本发明提供的预测方法及应用，利用图神经网络、循环神经网络和元学习进行小样本学习的计算方法。预测小分子化合物在体外或体内可能引起的特定血清毒性参数异常情况，并可作为药物研发早期的高效、低成本虚拟筛选工具。
转化前景
本发明涉及人工智能研发药物技术领域，尤其涉及基于GNN-RNN混合网络的小样本毒性参数的预测方法。 在现代药物研发流程中，早期准确预测候选化合物的毒性（特别是肝毒性）是决定其能否成功成药的关键因素。药物诱导性肝损伤（Drug-Induced Liver Injury, DILI）是导致药物临床试验失败和上市后退市的主要原因之一。传统的毒性评估方法主要依赖于耗时、高成本的体外实验和体内动物实验，这极大地限制了在早期高通量筛选阶段对海量候选化合物的评估效率。 近年来，随着深度学习技术的发展，尤其是在分子属性预测领域，图神经网络（GNN）已成为主流方法。GNN能够将分子直接建模为图结构，通过在原子节点间进行信息传递来学习分子表示。然而，标准GNN模型在处理药物毒性预测等复杂任务时仍面临挑战。CN114792574B和CN119889504A等专利描述了基于图神经网络或不良结局通路网络模型进行整体肝毒性的预测，但其预测目标仍停留在宏观的“是否存在毒性”层面，未能深入到具体生化指标的异常预测。 尽管现有技术取得了显著进展，但在将AI技术应用于药物毒性预测时，仍面临严峻挑战，现有技术只能进行粗粒度的"整体肝毒性"预测，无法针对ALT、AST、ALP等具体血清生化指标进行预测。而针对这些细粒度毒性参数的实验数据获取成本极高，单个预测任务的可用训练样本通常少于1000个，传统机器学习方法在如此小样本条件下无法达到理想的预测精度。因此，如何在极少量样本条件下实现对新化合物细粒度毒性参数的准确预测，是亟待解决的核心技术问题。 分子结构信息具有多维度特性，包括图拓扑结构、序列特征和物理化学描述符等。现有技术主要依赖单一模态特征，无法充分利用分子的多维度信息：单纯的图神经网络难以捕获序列依赖关系，单纯的序列模型无法反映空间拓扑信息。如何有效融合多模态分子特征并在小样本学习过程中实现自适应权重分配，是提升预测精度的关键技术挑战。