結核に対する潜在的な活性化合物を特定するための機械学習モデルの開発

科学分野:

• 計算化学とバイオインフォマティクス
• 創薬と開発
• 医薬品化学における機械学習

背景:

• 結核（TB）は依然として世界的な健康危機であり、多剤耐性（MDR）および広範薬剤耐性（XDR）株によって悪化しています。
• 新しい抗結核薬候補の緊急の必要性は、効率的なリード同定戦略を必要とします。
• 機械学習は、創薬パイプラインを加速するための強力なツールを提供します。

研究 の 目的:

• 機械学習アルゴリズムを応用して、潜在的な抗結核化合物を特定することを目的としました。
• 化合物のTB標的に対する活性を予測するための分類モデルを開発および評価すること。
• 説明可能なAI手法を使用して、生物活性に対する分子記述子の寄与を解釈すること。

主な方法:

• ChEMBLデータベースから23,791分子のデータセットが使用されました。
• 6つの分子表現（RDKitDes、MACCSFP、MorganFP、PairsFP、PubChemFP、RDKitFP）を使用して103の分類モデルが構築されました。
• 7つの機械学習アルゴリズム（RF、XGBoost、DT、KNN、GNB、LR、ANN）が使用され、10倍交差検証とAUCメトリックを使用して評価され、SHAPが解釈可能性に使用されました。

主要な成果:

• 複数の機械学習モデルが、抗結核化合物を特定するための予測能力を示しました。
• この研究は、多様な分子表現とアルゴリズムを使用した迅速なリード同定のフレームワークを確立しました。
• SHAP分析は、TB標的に対する化合物活性を駆動する重要な分子特徴に関する洞察を提供しました。

結論:

• 機械学習アプローチは、結核の新しい薬剤候補の同定を加速する上で効果的です。
• 開発されたモデルと方法は、薬剤耐性結核との戦いに大きく役立ちます。
• 分子表現、MLアルゴリズム、および説明可能なAIを統合することは、創薬の効率を高めます。