基于机器学习的致癌性化学品筛查模型

【作者】 吴超； 王中钰； 肖子君； 王浩博； 陈景文；

【机构】 工业生态与环境工程教育部重点实验室大连市化学品风险防控及污染防治技术重点实验室大连理工大学环境学院；

【摘要】 化学品在改善人们生活质量的同时,也对人类健康也造成了潜在风险。这些化学品在整个生命周期都有可能释放到环境中,威胁人类健康。暴露于致癌性化学品可对人类健康造成严重危害,因此,筛查并管控致癌性化学品对于保护人类健康具有重要意义。传统的致癌性评估方法主要依赖于动物试验,通量低、耗时长且有违动物伦理,因此迫切需要采用替代方法进行评估。以定量构效关系(QSAR)为核心的计算模拟方法可实现快速预测而被广泛应用。本研究构建了包含致癌性数据库CPDB、化学致癌研究信息数据库CCRIS和长期致癌性生物测定数据库ISSBIOC中经预处理后的2107种化学品的数据库。以分子描述符和12种指纹为输入特征,采用支持向量(SVM)、梯度提升决策树(GBDT)、随机森林(RF)和人工神经网络(ANN)等算法构建了多种算法融合的集成模型。将化合物以分子图输入构建了图神经网络(GAT)模型,实现了端到端的预测化合物的致癌性。根据OECD导则要求对模型进行了应用域的表征,明确了模型的应用范围并进行了机理解释。采用性能最优的集成模型对《中国现有化学物质名录》中的化学品进行了筛查。集成模型外部验证结果显示,PubChem指纹与SVM,GBDT和ANN三种算法构建的集成模型效果最优,应用域表征后在测试集的准确性和AUC(ROC曲线下面积)分别为79.2%和81.6%。模型解释显示,化学品的电子及拓扑状态信息对致癌性的预测是重要的理化信息。GAT模型在测试集的准确性和AUC分别为80.1%和89.1%。通过对大量分子图学习,GAT模型能够很好的捕捉到致癌子结构。筛查结果显示,应用域阈值为0.85时,687种化学品被预测为致癌物。相比于前人模型,本研究所建模型特点是:(1)采用多种算法融合构建了预测化学品致癌性的集成模型,并基于指纹相似性进行了应用域表征;(2)构建了应用域更大的图神经网络模型,并进行了应用域表征。本研究构建的模型能够快速筛查致癌性化学品,为化学品的风险管理提供基础工具。更多还原