文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212080
中文引用格式： 魏若冰，何家峰，邱曉芳，等. 基于SGCN的化合物致癌性預測模型[J].電子技術應用，2022，48(6)：33-35，41.
英文引用格式： Wei Ruobing，He Jiafeng，Qiu Xiaofang，et al. Predict the carcinogenicity of compounds with SGCN[J]. Application of Electronic Technique，2022，48(6)：33-35，41.
0 引言
由于技術的發展，新化合物的合成速度加快，每年誕生的化合物數以萬計[1-2]，傳統的評價方法不可能對所有的化合物進行評估。并且近年來患癌人數不斷增多[3]，目前仍不清楚大多數的癌癥是由于暴露于何種致癌化合物而導致的。世界衛生組織國際癌癥機構(IARC)致癌清單中只有429種化合物被歸為具有致癌性物質,但仍有500余種化合物未進行判定。傳統的化合物致癌性評估主要通過實驗測試進行，試驗周期長且成本昂貴，不確定因素過多，因此迫切需要開發替代方法和工具來評估化合物的致癌性。
利用計算機進行毒性預測[4]是安全評價的重要手段，能夠大幅度節省非臨床安全評價試驗成本，提高試驗設計的科學性和準確性。隨著機器學習的不斷發展，支持向量機(SVM)、隨機森林、神經網絡(Random Forest)和K-最近鄰(KNN)等機器學習算法已被廣泛用于化合物毒性預測中[5-7]。此外，對致癌性化合物的預測也有一些報道。2004年，張曉昀等人[8]用人工神經網絡中誤差反向傳播網絡(BPNN)和徑向基函數網絡(RBFNN)對化合物的致癌性強弱進行了分類，模型的分類準確率達到了80%以上；2005年，張振山等人[9]用PCA對分子描述符降維，利用決策森林的方法預測化合物致癌性；在2007年，謝瑩等人[10]基于gSpan算法，挖掘與已知毒性化合物具有相同字結構的化合物，進行未知化合物的毒性預測；2017年，梁倩倩等人[11]基于量化構效關系(QSAR)方法預測N-亞硝基化學物(NOCs)的致癌性，同年，閻愛俠等人[12]構建化合物的多維描述符，分別采用4種機器學習方法(樸素貝葉斯、隨機森林、多層感知機和支持向量機)，模型的平均正確率達到74%±3%。
本文詳細內容請下載：http://m.rjjo.cn/resource/share/2000004415。
作者信息：
魏若冰，何家峰，邱曉芳，劉 旗
(廣東工業大學 信息工程學院，廣東 廣州 510006)
