3D卷积神经网络的结构优化及中枢神经系统药物的识别

发布时间：2021-04-03 00:13

　　该文研究了如何利用3D-CNN识别中枢神经系统（CNS）药物和non-CNS药物。首先,构建CNS药物和non-CNS药物数据集并优化小分子构象;然后,以3D网格矩阵编码小分子结构,作为3D-CNN模型的输入;接着,在模型训练中,采用正交实验法对3D-CNN模型的超参数进行快速优化;最后,使用外部测试集检验模型,达到ACC为84. 3%,MCC为0. 685,AUC为0. 884的泛化性能。实验表明,在正交实验法获取可靠超参数组合的基础上,3D-CNN模型对于CNS药物的识别具有良好效果,所构建的模型为设计新的CNS药物提供了基础。 

【文章来源】：西北大学学报(自然科学版). 2020,50(01)北大核心CSCD

【文章页数】：8 页

【部分图文】：

图1 分子在3D网格中的示意图

3D-CNN的多个超参数直接影响CNN的结构，本文根据正交实验进行参数组合，比较每种组合下模型的交叉验证结果，从而构建可靠的3D-CNN模型，模型结构如图2所示。表2和表3分别是在两个和3个卷积层时的正交实验结果，其中，每个数值都是五折交叉验证的平均。使用3个卷积层时，最佳参数是第6个超参数组合，即卷积核大小为5，卷积步长3，下采样核大小及步长为2，初始卷积核个数为64，此时所有预测率都在80%以上，MCC和AUC分别为0.629,0.848。当采用两个卷积核时，最佳参数是第7个超参数组合，即卷积核大小为7，卷积步长1，下采样核大小及步长为4，初始卷积核个数为64，此时的SEN比3个卷积核时低0.5%,SPE基本不变，ACC,MCC,AUC也都略低于3个卷积核时的结果。然而，这两种结果非常接近，而且参数组合相同时，不同的卷积层数并没有表现出明显的结果差异，这与Simonyan[30]提到的两个3*3卷积层与一个5*5卷积层的效果几乎相同的情况一致，不同的卷积层数通过调整其他超参数也可以达到类似的效果。

为了验证上述的0.3Dropout是否增强了模型的鲁棒性，将不使用Dropout和使用0.3Dropout的模型分别对独立测试集进行测试。从图3中看到，使用0.3比例的Dropout层时，模型对独立测试集的泛化能力更好，SPE从81.5%上升到85.2%,ACC,MCC,AUC分别提升了1.9%,0.037,0.016。这表明，通过随机丢弃全连接层30%的神经元，增强了模型的健壮性，使模型在CNS药物与non-CNS药物的识别上具有更好的泛化能力。3 结语


本文编号：3116225