计算机应用研究

作者：庞国君,林邦姜,郑博文,陈剑,徐博辉,

单位：1.福建农林大学机电工程学院,福州350108；2.中国科学院海西研究院泉州装备制造研究中心,福建泉州362200；

关键词：多模态特征融合,NNConv,MLP,脂质纳米颗粒,SHAP,模型可解释性,

基金：福建省海洋与渔业产业高质量发展专项资金资助项目(FJHYF-ZH-2023-09)；中国科学院与福建省STS资助项目(2024T3038,2024T3060,2024T3062)；；

近年来，针对药物递送系统脂质纳米颗粒（LNPs）的设计研究大多仅聚焦于单一特征，且忽视了辅助脂质的作用。该研究旨在构建一种基于多模态特征融合的可解释性深度学习模型（MolGraphNet），用于辅助脂质转染效率的高精度预测与结构可解释分析。MolGraphNet以神经网络卷积（NNConv）提取分子结构图特征，以多层感知机（MLP）提取物理化学相关的数值特征，并通过多模态特征融合器实现结构与性质信息的深度整合。模型还结合了分子结构编码技术与SHAP分析法实现对关键特征的可解释性分析与可视化，揭示辅助脂质结构与转染效率之间的内在关联。在公开数据集中六种细胞类型任务上的结果显示，MolGraphNet的预测误差为6%~11%，皮尔森和斯皮尔曼相关系数在0.75~0.92，显著优于基线模型。MolGraphNet不仅具有较高的预测精度和鲁棒性，还能通过SHAP分析等方法实现关键特征的可解释可视化，为辅助脂质的设计和LNPs配方的优化提供了有力的指导和参考。

来源：2026年第4期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2026年第4期