Integration von Faltungs-Schichten und Biformer-Netzwerken mit Forward-Forward- und Backpropagation-Training

Genauere Vorhersage molekularer Eigenschaften ist entscheidend für die Arzneimittelentwicklung und die computergestützte Chemie, da sie die Identifizierung vielversprechender Verbindungen erleichtert und die Entwicklung neuer Therapien beschleunigt. Traditionelle maschinelle Lernverfahren stoßen bei hochdimensionalen Daten und manueller Merkmalsextraktion an ihre Grenzen, während bestehende tiefes Lernen-basierte Ansätze möglicherweise komplexe molekulare Strukturen nicht ausreichend erfassen, was eine Forschungslücke darstellt. Wir stellen Deep-CBN vor, einen neuartigen Rahmen, der darauf abzielt, die Vorhersage molekularer Eigenschaften durch die direkte Erfassung komplexer molekularer Repräsentationen aus Rohdaten zu verbessern und somit Genauigkeit und Effizienz zu steigern. Unsere Methode kombiniert konvolutionale Neuronale Netze (CNNs) mit einem BiFormer-Attention-Mechanismus und nutzt sowohl den Forward-Forward-Algorithmus als auch die Rückpropagation. Das Modell arbeitet in drei Stufen: (1) Merkmalsextraktion, bei der lokale Merkmale aus SMILES-Zeichenketten mittels CNNs gewonnen werden; (2) Aufmerksamkeitsverfeinerung, bei der globale Kontextinformationen mit einem durch den Forward-Forward-Algorithmus verbesserten BiFormer-Modul erfasst werden; und (3) Anpassung des Vorhersage-Subnetzwerks, die mittels Rückpropagation feinabgestimmt wird. Evaluierungen an Benchmark-Datensätzen – einschließlich Tox21, BBBP, SIDER, ClinTox, BACE, HIV und MUV – zeigen, dass Deep-CBN nahezu perfekte ROC-AUC-Werte erreicht und damit bestehende State-of-the-Art-Methoden signifikant übertrifft. Diese Ergebnisse belegen die Wirksamkeit des Ansatzes bei der Erfassung komplexer molekularer Muster und stellen ein robustes Werkzeug zur Beschleunigung der Arzneimittelentwicklung bereit.