Intégration de couches convolutionnelles et de réseau Biformer avec l'apprentissage forward-forward et la rétropropagation

La prédiction précise des propriétés moléculaires est essentielle pour la découverte de médicaments et la chimie computationnelle, car elle permet d’identifier efficacement des composés prometteurs et d’accélérer le développement thérapeutique. Les méthodes traditionnelles d’apprentissage automatique peinent face aux données à haute dimensionnalité et à l’ingénierie manuelle de caractéristiques, tandis que les approches actuelles basées sur l’apprentissage profond peuvent ne pas capturer adéquatement les structures moléculaires complexes, laissant ainsi un écart de recherche. Nous proposons Deep-CBN, un cadre novateur conçu pour améliorer la prédiction des propriétés moléculaires en capturant des représentations complexes directement à partir des données brutes, augmentant ainsi la précision et l’efficacité. Notre méthode combine des réseaux de neurones convolutifs (CNN) avec un mécanisme d’attention BiFormer, en utilisant à la fois l’algorithme forward-forward et la rétropropagation. Le modèle opère en trois étapes : (1) apprentissage de caractéristiques, extraction de caractéristiques locales à partir de chaînes SMILES à l’aide de CNN ; (2) raffinement par attention, capture du contexte global via un module BiFormer amélioré par l’algorithme forward-forward ; et (3) ajustement du sous-réseau de prédiction, affinement par rétropropagation. Les évaluations sur des jeux de données de référence — Tox21, BBBP, SIDER, ClinTox, BACE, HIV et MUV — montrent que Deep-CBN atteint des scores ROC-AUC quasi parfaits, surpassant significativement les méthodes de pointe. Ces résultats démontrent son efficacité dans la capture de motifs moléculaires complexes, offrant un outil robuste pour accélérer les processus de découverte de médicaments.