Knowledge graph aids comprehensive explanation of drug and chemical toxicity.
Knowledge graph aids comprehensive explanation of drug and chemical toxicity.
复制标题
DOI：
10.1002/psp4.12975
复制
发表时间：
2023-08
影响因子：
3.5
通讯作者：
Moore, Jason H. H.
中科院分区：
文献类型：
--
作者：
Hao, Yun;Romano, Joseph D. D.;Moore, Jason H. H.
在计算毒理学中，复杂终点的预测一直具有挑战性，因为它们通常涉及多种不同的机制。最先进的模型要么受到低准确性的限制，要么由于其黑箱性质而缺乏可解释性。在这里，我们介绍AIDTox，这是一种可解释的深度学习模型，它结合了化学基因连接，基因通路注释和通路层次的策划知识。AIDTox准确预测HepG2和HEK293细胞中的细胞毒性结果。它还提供了细胞毒性的全面解释，涵盖了药物活性的多个方面，包括靶标相互作用，代谢和消除。总之，AIDTox为揭示复杂毒性终点的细胞机制提供了一个计算框架。
In computational toxicology, prediction of complex endpoints has always been challenging, as they often involve multiple distinct mechanisms. State‐of‐the‐art models are either limited by low accuracy, or lack of interpretability due to their black‐box nature. Here, we introduce AIDTox, an interpretable deep learning model which incorporates curated knowledge of chemical‐gene connections, gene‐pathway annotations, and pathway hierarchy. AIDTox accurately predicts cytotoxicity outcomes in HepG2 and HEK293 cells. It also provides comprehensive explanations of cytotoxicity covering multiple aspects of drug activity, including target interaction, metabolism, and elimination. In summary, AIDTox provides a computational framework for unveiling cellular mechanisms for complex toxicity endpoints.
登录
查看更多内容
影响因子：
4.1
作者：
Romano, Joseph D.;Hao, Yun;Moore, Jason H.;Penning, Trevor M.
通讯作者：
Penning, Trevor M.
影响因子：
48
作者：
Ma J;Yu MK;Fong S;Ono K;Sage E;Demchak B;Sharan R;Ideker T
通讯作者：
Ideker T
影响因子：
5.6
作者：
Polishchuk, Pavel
通讯作者：
Polishchuk, Pavel
影响因子：
4.6
作者：
Matsuzaka, Yasunari;Uesawa, Yoshihiro
通讯作者：
Uesawa, Yoshihiro
影响因子：
5.6
作者：
Amnnad-ud-din, Muhammad;Georgii, Elisabeth;Kaski, Samuel
通讯作者：
Kaski, Samuel