基于改进的降噪自编码药物透血脑屏障预测

摘要

药物透血脑屏障是新药研发的一个重要因素.在传统栈式降噪自编码(stacked denoising autoencoder, SDAE)基础上,提出一种改进的SDAE药物透血脑屏障预测方法.利用主成分分析(principal components analysis,PCA)无监督训练一组权值初始化SDAE,避免随机初始化权值造成模型收敛速度较慢的问题;然后为降噪自编码(denoising autoencoder,DAE)增加一层隐藏层,构造双隐层DAE,提高单个DAE提取药物分子抽象特征的能力;融合SDAE最后两个DAE的第一层隐藏层输出作为softmax分类器的输入,最终实现药物透血脑屏障预测.实验表明,与传统的SDAE及浅层机器学习模型SVM相比,改进后的模型对药物透血脑屏障具有更好的预测效果.