基于图神经网络的ALS候选药物预测模型设计与实现
基于图神经网络的ALS候选药物预测模型设计与实现
摘要：
肌萎缩侧索硬化症（ALS）是一种致命的神经退行性疾病，目前缺乏有效根治药物。传统药物研发周期长、成本高，人工智能（尤其是图神经网络，GNN）为加速药物发现提供了新范式。本文提出了一种基于GNN的ALS候选药物预测模型GNN-ALS。模型利用分子图结构表示化合物，整合ALS关键靶点信息，构建多任务学习框架预测化合物对多个ALS相关靶点的活性及潜在毒性。通过系统设计数据预处理、图表示、模型架构（包含图卷积、图注意力、图同构网络模块）、多任务学习策略，并在公开数据集上进行训练与评估。实验表明，GNN-ALS在多个关键指标（AUC-ROC > 0.85, EF1% > 25）上显著优于传统机器学习方法，成功筛选出若干具有潜在ALS治疗价值的候选化合物。本研究为ALS药物研发提供了高效的计算工具，并验证了GNN在复杂疾病药物发现中的强大潜力。
关键词： 图神经网络；肌萎缩侧索硬化症；药物发现；候选药物预测；多任务学习；分子表示
1. 引言
1.1 研究背景与意义
肌萎缩侧索硬化症ÿ