対向伝播人工ニューラルネットワークを用いた肝毒性モデリング．不均衡な分類問題への対応

Hepatotoxicity Modeling Using Counter-Propagation Artificial Neural Networks: Handling an Imbalanced Classification Problem.

• Benjamin Bajželj
• Viktor Drgan

抄録

薬物誘発性肝障害は、医薬品開発プロセスにおいて大きな懸念事項である。高価で時間がかかり、研究は現象の複雑さを反映していない。ウェットラボ法を補完するアプローチは、毒性予測のためのコスト効率の高い方法を提示するものである。本研究の目的は、特発性薬物誘発性肝障害に関連した不均衡なデータセットの分類のための逆伝播人工ニューラルネットワーク（CPANN）の能力を探り、薬物の肝毒性の可能性を予測するためのモデルを開発することであった。CPANNモデルの遺伝的アルゴリズム最適化を用いて、分子記述子を用いて薬物を肝毒性クラスと非肝毒性クラスに分類するためのモデルを構築した。不均衡なデータセットの分類については、CPANNの分類能力を向上させるために、CPANNの訓練手順にランダムサブサンプリングを組み込むことにより、古典的なCPANN訓練アルゴリズムを修正した。内部検証で受け入れられたモデルの数と外部集合の予測統計量によると、各学習エポックでバランスのとれたサブサンプリングを用いた不均衡集合を使用することは、逆伝播型人工ニューラルネットワーク学習法の場合に固定のバランス集合を使用するよりも優れたアプローチであると結論づけた。

Drug-induced liver injury is a major concern in the drug development process. Expensive and time-consuming and studies do not reflect the complexity of the phenomenon. Complementary to wet lab methods are approaches, which present a cost-efficient method for toxicity prediction. The aim of our study was to explore the capabilities of counter-propagation artificial neural networks (CPANNs) for the classification of an imbalanced dataset related to idiosyncratic drug-induced liver injury and to develop a model for prediction of the hepatotoxic potential of drugs. Genetic algorithm optimization of CPANN models was used to build models for the classification of drugs into hepatotoxic and non-hepatotoxic class using molecular descriptors. For the classification of an imbalanced dataset, we modified the classical CPANN training algorithm by integrating random subsampling into the training procedure of CPANN to improve the classification ability of CPANN. According to the number of models accepted by internal validation and according to the prediction statistics on the external set, we concluded that using an imbalanced set with balanced subsampling in each learning epoch is a better approach compared to using a fixed balanced set in the case of the counter-propagation artificial neural network learning methodology.