变分图编码器Variational graph encoders有效地结合了图卷积网络和变分自动编码器，并已广泛应用于生物医学图结构数据。Lam团队之前研究开发了基于变分图编码器NYAN框架，以促进计算机辅助药物设计中，分子特性的预测。在NYAN算法中，从变分图自动编码器导出的低维潜变量，以用作通用分子表示，在整个药物发现过程中，产生了显著性能和多功能性。
今日，中国人民解放军军事科学院军事医学研究院Ruijiang Li（一作）, Jiang Lu（一作），Yixin Zhang, Song He & Xiaochen Bo等，上海大学Ziyi Liu（一作），Peng Zan等，在Nature Machine Intelligence上发文，评估了NYAN算法的可重用性，并研究了在特定化学毒性预测中的适用性。在广泛的毒性数据集上，基于NYAN潜在表征和其他流行分子特征表征的预测精度进行了基准测试，并探讨了NYAN潜在表征，对其他替代模型的适应性。相比于其他最先进的分子性质预测方法，配备通用替代模型NYAN算法，在毒性预测方面表现出了竞争力或更好的性能。还通过利用NYAN潜在空间的低维度和特征多样性，设计了一种具有特征增强和一致性推断的多任务学习策略，进一步提高了多终点急性毒性估计。该项分析深入研究了一般图变分模型的适应性，在药物发现领域内，展示了NYAN算法的定制任务能力。![]()
第一作者：Ruijiang Li, Jiang Lu，Ziyi Liu通讯作者：Yixin Zhang, Peng Zan，Song He & Xiaochen Bo通讯单位：中国人民解放军军事科学院军事医学研究院，上海大学Reusability report: exploring the utility of variational graph encoders for predicting molecular toxicity in drug design.可重用性报告：探索变分图编码器在药物设计中预测分子毒性的效用。![]()
图1: 可重用性工作流程示意图。
![]()
图2: 主要报告性能结果的再现性。
![]()
图3: 毒性预测任务的分子特征比较。
![]()
图4: 改进的下游代理模型和不同模型之间性能比较。
![]()
图5: 在毒性预测中，配备替代模型的NYAN潜在表征与最先进的分子性质预测方法之间比较。
![]()
图6: 急性毒理评估的多任务学习适应。
Li, R., Lu, J., Liu, Z. et al. Reusability report: exploring the utility of variational graph encoders for predicting molecular toxicity in drug design. Nat Mach Intell (2024). https://doi.org/10.1038/s42256-024-00923-6https://www.nature.com/articles/s42256-024-00923-6声明：仅代表译者观点，如有不科学之处，请在下方留言指正！
