SepPCNET: Aprendizado Profundo sobre uma Nuvem de Pontos de Potencial Eletrostático de Superfície 3D para Classificação Aprimorada de Toxicidade e Sua Aplicação a Estrógenos Ambientais Suspeitos

O aprendizado profundo (DL) oferece uma oportunidade sem precedentes para revolucionar o cenário da predição de toxicidade com base em estudos de relação estrutura-atividade quantitativa (QSAR) na era dos big data. No entanto, a descrição estrutural nos modelos DL-QSAR reportados ainda está restrita ao nível bidimensional. Inspirado por nuvens de pontos, um tipo de estrutura de dados geométricos, uma nova nuvem de pontos de superfície molecular tridimensional (3D) com potencial eletrostático (SepPC) foi proposta para descrever estruturas químicas. Cada ponto de superfície de uma substância química recebe sua coordenada 3D e potencial eletrostático molecular. Uma nova arquitetura DL, SepPCNET, foi então introduzida para consumir diretamente dados SepPC não ordenados para classificação de toxicidade. O modelo SepPCNET foi treinado em 1317 substâncias químicas testadas em uma série de 18 ensaios relacionados ao receptor de estrógeno do programa ToxCast. O modelo obtido reconheceu os produtos químicos ativos e inativos com precisões de 82,8 e 88,9%, respectivamente, com uma precisão total de 88,3% no conjunto de teste interno e 92,5% no conjunto de teste externo, superando outros modelos de aprendizado de máquina atualizados e conseguindo reconhecer a diferença na atividade de isômeros. Insights adicionais sobre o mecanismo de toxicidade também foram obtidos visualizando pontos críticos e extraindo características de pontos orientadas por dados de produtos químicos ativos.