使用图神经网络和小样本学习进行毒性分子分类的基准测试
原文中文，约300字，阅读约需1分钟。发表于：。采用图卷积网络（GCNs）、图同构网络、多头注意力、大规模对抗增强与少样本学习，本研究在毒性分子的图分类任务中对分子的结构数据与毒理学特性进行精确捕捉。实验表明，与基线 GCN 模型相比，本方法在多样的毒理学数据集上实现了 0.816 的令人瞩目的 AUC-ROC 值，超过基线模型 11.4%，突显了所提出方法和少样本学习在推进毒性分子分类方面的重要性，有望提高药物发现和环境风险评估流程。
本研究使用多种方法，包括图卷积网络、图同构网络、多头注意力、大规模对抗增强和少样本学习，准确地捕捉了毒性分子的结构数据和毒理学特性。实验结果显示，该方法在多个毒理学数据集上取得了显著进展，AUC-ROC值达到0.816，超过基线模型11.4%。这突显了所提出方法和少样本学习在毒性分子分类中的重要性，有望提高药物发现和环境风险评估流程。
