SMILESGNN：通过 SMILES-Graph 交叉注意力融合进行可解释的临床毒性预测

arXiv:2609.28553v1 公告类型：新 摘要：药物毒性预测对于减少药物发现的后期损耗至关重要，但由于严重的类别不平衡、基于支架的泛化以及可解释预测的临床需求，药物毒性预测仍然具有挑战性。单模态方法 - SMILES Transformer 或图神经网络捕获分子结构的互补方面，而仅序列模型无法直接提供图属性解释。我们提出了 SMILESGNN，一种通过交叉注意力融合 SMILES Transformer 编码器和 GATv2 图编码器的多模态架构，以及 SMILESGNN-PT，一种使用 ChemBERTa-2 预训练主干的变体。该设计在预测管道中保留了显式图分支，支持基于 GNNExplainer 的与毒性预测相关的子结构分析。在 ClinTox 上，SMILEGNN 仅用 0.4M 参数就实现了 AUC-ROC 0.987 和 F1 0.906，与强大的 SMILESTransformer 和更大的 ChemBERTa-2/GATv2 concat-fusion 基线相媲美。在 Tox21（12 个任务）上，SMILEGNN-PT 获得平均 AUC-ROC 0.750，与单独的 ChemBERTa-2 和相同主干连接融合基线相当。总的来说，结果表明交叉注意力是一种实用的融合替代方案，可以保留有竞争力的预测性能，同时实现基于图的可解释性支持。