基于图注意力的药物皮肤致敏性预测结题报告.docVIP

基于图注意力的药物皮肤致敏性预测结题报告

一、研究背景与问题提出

皮肤致敏性是药物安全性评价中的关键指标之一，指药物或其代谢产物接触皮肤后，引发免疫系统异常反应，导致皮肤出现红斑、瘙痒、水疱等症状的潜在能力。据世界卫生组织统计，全球每年约有10%的人群因接触化学物质发生皮肤过敏反应，其中药物相关的皮肤致敏案例占比超过30%。在药物研发阶段，约有15%的候选药物因未通过皮肤致敏性测试而被淘汰，不仅造成巨大的经济损失，也严重延缓了新药上市进程。

传统的药物皮肤致敏性评价方法主要依赖动物实验，如局部淋巴结试验（LLNA）和豚鼠最大化试验（GPMT）。这些方法虽然能在一定程度上预测致敏风险，但存在周期长、成本高、动物伦理争议等问题。同时，动物实验结果与人类临床反应的相关性仅约70%，无法完全满足精准药物研发的需求。近年来，随着计算机技术和人工智能的发展，基于机器学习的体外预测模型逐渐成为研究热点。然而，现有模型大多采用传统的特征工程方法，将药物分子转化为一维或二维特征向量，难以捕捉分子结构的三维空间信息和复杂相互作用，导致预测精度受限。

图神经网络（GNN）作为一种专门处理图结构数据的深度学习框架，能够直接以分子图为输入，通过消息传递机制学习分子的拓扑结构和原子间的相互作用。其中，图注意力网络（GAT）通过引入注意力机制，能够自适应地学习不同原子对分子性质的贡献权重，进一步提升了模型的表达