SHAPベースの解釈によるERα拮抗薬の多目的QSAR予測

科学分野:

• 計算化学および化学情報学
• 薬理学および創薬
• バイオインフォマティクスにおける機械学習

背景:

• 候補薬の評価には、生物学的活性と吸収、分布、代謝、排泄、毒性（ADMET）特性の両方を評価する必要があります。
• 既存の方法では、分子構造と薬理学的プロファイルとの間の複雑な関係を完全に捉えられない場合があります。
• 創薬を合理化するために、統合された予測フレームワークの必要性が存在します。

主な方法:

• 特徴量選択とQSARモデリングを組み合わせた2段階の機械学習アプローチ。
• 統計分析と機械学習の特徴量重要度を統合したデュアルフィルター特徴量選択（DFFS）法の開発。
• 活性予測のためのLightGBM、およびマルチタスクADMET特性予測のためのスタッキングモデルの適用。
• メカニズムの洞察とモデル解釈のために、分子ドッキングとSHAP分析を利用しました。

結論:

• 提案された2段階予測フレームワークは、候補薬の評価のための堅牢なアプローチを提供します。
• DFFS法は、QSARおよび機械学習モデルに関連する分子記述子を特定するのに効果的です。
• 統合フレームワークは、良好なADMETプロファイルを持つ高活性化合物の同定を容易にし、創薬の取り組みを前進させます。