仅0.4M参数，毒性预测AUC冲到0.987，还能解释！
SMILESGNN: Interpretable Clinical Toxicity Prediction via SMILES-Graph Cross-Attention Fusion
📖 AI 总结
该研究提出SMILESGNN，一种融合SMILES Transformer编码器与GATv2图编码器的多模态架构，通过交叉注意力机制整合分子序列与图结构信息，并保留显式图分支以支持基于GNNExplainer的毒性子结构解释。在ClinTox数据集上，模型以仅0.4M参数取得AUC-ROC 0.987和F1 0.906，性能与强SMILESTransformer及更大规模的ChemBERTa-2/GATv2拼接融合基线相当；在Tox21的12项任务上，采用ChemBERTa-2预训练骨干的SMILESGNN-PT获得平均AUC-ROC 0.750。结果表明，交叉注意力是一种实用的融合方案，在保持竞争性预测性能的同时，能够提供基于图的模型可解释性支持，有助于应对药物毒性预测中的类别不平衡与骨架泛化挑战。
🔑 关键词速览
| SMILES | 一种用 ASCII 字符串表示分子结构的线性编码格式，广泛用于化学信息学和药物发现。 |
| GATv2 | 图注意力网络第二版，一种图神经网络架构，通过注意力机制聚合节点邻域信息，适用于分子图表示学习。 |
| 交叉注意力 | 一种注意力机制，允许两个不同模态（如序列和图）的特征相互交互并融合，以捕获跨模态依赖关系。 |
| GNNExplainer | 一种用于图神经网络的可解释性方法，通过识别对预测最重要的子图结构来解释模型决策。 |
| ChemBERTa-2 | 一种在化学分子 SMILES 数据上预训练的 Transformer 模型，可用于分子性质预测的迁移学习。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅