SepPCNET : Apprentissage profond sur un nuage de points de potentiel électrostatique de surface 3D pour une classification de toxicité améliorée et son application aux œstrogènes environnementaux suspects

L'apprentissage profond (DL) offre une opportunité sans précédent de révolutionner le paysage de la prédiction de toxicité basée sur des études de relation structure-activité quantitative (QSAR) à l'ère des big data. Cependant, la description structurelle dans les modèles DL-QSAR rapportés est encore limitée à un niveau bidimensionnel. Inspiré par les nuages de points, un type de structure de données géométriques, un nouveau nuage de points de surface moléculaire tridimensionnel (3D) avec potentiel électrostatique (SepPC) a été proposé pour décrire les structures chimiques. Chaque point de surface d'une substance chimique se voit attribuer ses coordonnées 3D et son potentiel électrostatique moléculaire. Une nouvelle architecture DL, SepPCNET, a ensuite été introduite pour consommer directement des données SepPC désordonnées pour la classification de toxicité. Le modèle SepPCNET a été entraîné sur 1317 substances chimiques testées dans une batterie de 18 essais liés aux récepteurs d'œstrogènes du programme ToxCast. Le modèle obtenu a reconnu les substances actives et inactives avec des précisions de 82,8 et 88,9 %, respectivement, avec une précision totale de 88,3 % sur l'ensemble de test interne et de 92,5 % sur l'ensemble de test externe, surpassant d'autres modèles d'apprentissage machine à jour et réussissant à reconnaître la différence d'activité des isomères. Des perspectives supplémentaires sur le mécanisme de toxicité ont également été obtenues en visualisant des points critiques et en extrayant des caractéristiques de points basées sur les données des substances actives.