基于图神经网络的药物皮肤致敏性预测结题报告.docVIP

基于图神经网络的药物皮肤致敏性预测结题报告

一、研究背景与问题提出

皮肤致敏性是药物研发过程中需要重点关注的安全性指标之一。药物接触皮肤后，可能引发免疫介导的过敏反应，轻者表现为皮肤红斑、瘙痒，重者可出现水疱、表皮坏死等严重症状，甚至危及生命。据统计，约有10%-20%的人群会对某些外用药物产生不同程度的皮肤过敏反应，这不仅影响患者的治疗依从性，还可能导致药物研发失败或退市。因此，在药物研发早期准确预测其皮肤致敏性，对于筛选安全候选药物、降低研发成本和风险具有重要意义。

传统的药物皮肤致敏性评价方法主要包括体内试验和体外试验。体内试验如局部淋巴结试验（LLNA），虽然能较为准确地反映药物的致敏性，但存在实验周期长、成本高、动物使用量大等缺点，且受到动物保护组织和伦理规范的限制。体外试验如细胞试验、皮肤模型试验等，虽然在一定程度上替代了动物试验，但仍存在预测准确性不足、适用范围有限等问题。此外，这些传统方法大多基于药物的化学结构或单一生物学特征进行评价，难以全面反映药物与生物系统之间的复杂相互作用。

随着人工智能技术的快速发展，机器学习和深度学习方法在药物研发领域得到了广泛应用。图神经网络（GNN）作为一种专门处理图结构数据的深度学习模型，能够有效捕捉药物分子的拓扑结构和特征信息，为药物皮肤致敏性预测提供了新的思路。与传统的机器学习方法相比，GNN具有更强的特征提取能力和泛化能力，能