机器学习增强了对植物作为抗疟疾药物的潜在来源的预测
Adam Richard-Bollans1, Conal Aitken1,2, Alexandre Antonelli1,3,4
1Royal Botanic Gardens, Kew, Richmond, United Kingdom.
Frontiers in plant science
|June 12, 2023
概括
机器学习模型显著改善了对抗等离子体植物的识别,优于民族植物学方法. 这种方法加速了从巨大的未开发的植物资源中发现新的植物性疟疾治疗方法.
科学领域:
- 药物鉴定和计算生物学
- 药物发现和开发 药物发现和开发
- 民族植物学和生物信息学
背景情况:
- 疟疾仍然是一个重大的全球卫生挑战,需要新的治疗药物.
- 植物是抗等离子体化合物的重要来源,但它们的识别通常是缓慢和昂贵的.
- 民族植物学知识有助于植物选择,但仅限于一小部分植物物种.
研究的目的:
- 开发和评估机器学习 (ML) 模型,用于预测植物中的抗等离子体活性.
- 为了比较ML算法的有效性与植物选择的传统民族植物学方法.
- 为了确定一个更大的植物物种池,具有潜在的抗等离子体性质.
主要方法:
- 编制了一套关于Apocynaceae,Loganiaceae和Rubiaceae家族抗等离子体活性的新型数据集.
- 应用和评估ML算法:支持向量机 (SVM),物流回归,梯度增强树和贝叶斯神经网络.
- 与基于抗疟疾和一般药物用途的民族植物选择进行比较,包括偏见纠正的评估.
主要成果:
- 与民族植物学方法相比,机器学习模型在预测抗等离子体植物潜力方面表现出更高的精度.
- 支持向量分类器在偏差纠正的场景中实现了最高精度 (0.67),超过了民族植物学方法 (0.46).
- 据估计,在研究的家族中,有7677种物种需要进一步调查,至少有1300种活跃物种可能被传统方法忽视了.
结论:
- 机器学习提供了一种强大而有效的策略,以加强发现植物衍生抗等离子体化合物.
- 许多具有抗等离子体潜力的植物物种仍未被发现,可以使用计算方法识别.
- 将ML与民族植物学数据相结合,可以加速开发用于预防和治疗疟疾的新药.
