Core Concepts
Einfache rekurrente neuronale Netzwerke können die Nebenwirkungen von Arzneimittelmolekülen mit hoher Genauigkeit vorhersagen, ohne dabei die Komplexität und den Ressourcenbedarf großer Modelle zu benötigen.
Abstract
Die Studie präsentiert einen heuristischen Ansatz zur Vorhersage von Arzneimittel-Nebenwirkungen unter Verwendung einfacher rekurrenter neuronaler Netzwerke (RNN), insbesondere der Gated Recurrent Unit (GRU). Im Gegensatz zu komplexen Modelldesigns und hohen Parameteranzahlen in früheren Ansätzen, erreicht der vorgeschlagene Ansatz ähnliche Ergebnisse bei einer Reduzierung der benötigten Parameter um über 98%.
Der Datensatz wird zunächst aufbereitet, indem die SMILES-Darstellung der Moleküle in das robustere SELFIES-Format konvertiert wird. Anschließend werden die SELFIES-Sequenzen durch ein Embedding-Layer und eine RNN-Architektur (GRU) verarbeitet, um die Vorhersage der Nebenwirkungen zu treffen.
Die Ergebnisse zeigen, dass der GRU-Ansatz auf mehreren Benchmark-Datensätzen (SIDER, BBBP, Clintox, BACE) state-of-the-art oder nahezu state-of-the-art Leistung erbringt, bei deutlich geringerer Modellkomplexität im Vergleich zu großen Graph-basierten oder Transformer-basierten Ansätzen. Damit bietet der Ansatz eine praktikable und effiziente Lösung für die Vorhersage von Arzneimittel-Nebenwirkungen.
Stats
Die Moleküle werden durch SELFIES-Sequenzen dargestellt, die aus Elemarsymbolen und Strukturkomponenten bestehen.
Die Datensätze enthalten binäre Klassifikationslabels für verschiedene Nebenwirkungen.
Quotes
Keine relevanten Zitate identifiziert.