[发明专利]一种筛查致癌性化学品的集成学习方法

权利要求书

1.一种筛查致癌性化学品的集成学习方法，其特征在于，步骤如下：

(1)数据库构建

从致癌潜力数据库CPDB中整理805种化学品致癌性数据，其中包括427种致癌物和378种非致癌物，并获取化学品对应的SMILES码；

(2)计算化学品的分子指纹

将记载化学品SMILES码的CSV格式文件转化成SDF格式文件；根据SDF格式文件计算805种化学品的PubChem分子指纹；

(3)模型训练

以化学品的PubChem分子指纹作为模型的输入，有无致癌性作为模型的预测终点，构建分类模型；将数据集按3:1的比例随机拆分为训练集和测试集，内部验证采取十折交叉验证重复十次，以减小随机误差；测试集用于模型的外部验证；采用四种机器学习算法：支持向量机、随机森林、梯度提升决策树和人工神经网络作为基分类器，采取三三组合的方式并结合软投票策略构建4个集成模型；软投票策略中各个基分类器的权重相同；在人工神经网络模型中，为了避免过拟合，采用批处理和Dropout方法；所有基分类器通过网格搜索法确定算法的最佳超参数；基于最佳超参数构建集成模型，并对验证集化学品的致癌性进行预测，表征模型的外部预测性能；

模型调节的超参数如下：支持向量机的最佳超参数为径向基作为核函数，C＝1000,gamma＝1；随机森林的最佳超参数为用gini指数划分属性，最大深度max_depth为40，弱分类器即决策树的数目n_estimators为1000，每棵决策树的最大特征数为总特征数的平方根max_features＝'sqrt'，随机种子random_state设为10；梯度提升决策树的最佳超参数为学习率learning_rate等于0.001，max_depth＝20，n_estimators＝2000，max_features＝'sqrt'，random_state＝10；人工神经网络的最佳超参数为隐藏层神经元neurons个数为512，每批次训练的样本数batch_size为500，dropout_rate＝0.5，总迭代次数epochs为500，输入层采用线性整流函数作为激活函数，隐藏层采用sigmoid函数作为激活函数，二分类的交叉熵作为损失函数，优化器选择RMSProp；

(4)模型性能评估

使用训练集准确率R_A，敏感度R_SE，特异性R_SP和受试者工作特征曲线下的面积A_ROC表征模型拟合优度；验证集的R_A，R_SE，R_SP，A_ROC和马修斯相关系数R_MCC表征模型预测能力；使用训练集的十折交叉验证的标准偏差STD表征模型稳健性；

(5)应用域表征

生成化学品的MACCS分子指纹，计算验证集化学品分子A与训练集化学品分子B之间的谷本相似度，计算公式如下：

其中，S_AB是分子A和B的谷本相似度，X_jA是分子A的第j个指纹特征，X_jB是分子B的第j个特征，n是指纹的特征位数；

通过自行定义的相似度阈值S_cutoff和最少相似分子数量N_min来定义应用域，即若训练集中与目标分子的谷本相似度大于S_cutoff的化学品数超过N_min，则判定该分子处于应用域内。

2.根据权利要求1所述的方法，其特征在于，所定义的应用域的阈值为：S_cutoff＝0.85，N_min＝1。