利用细胞绘画图像扩大应用领域并积极改进深度学习量化结构-活动关系模型
Dorota Herman1, Maciej M Kańduła2, Lorena G A Freitas1
1In-Silico Discovery, Janssen Research & Development, Pharmaceutical Companies of Johnson & Johnson, Beerse B-2340, Belgium.
Chemical research in toxicology
|June 16, 2023
概括
这项研究引入了一种积极学习方法,以增强药物发现模型. 通过结合表型和基于结构的方法,研究人员改善了线粒体毒性的预测,扩大了化学空间探索.
科学领域:
- 药物发现 药物发现 药物发现
- 计算化学计算化学
- 毒理学 毒理学 毒理学
背景情况:
- 药物发现是漫长而昂贵的过程.
- 基于干的定量结构-活性关系 (QSAR) 模型优化化合物特性,但应用领域有限.
- 基于图像的模型扩大了化学多样性,但需要物理上可用的化合物用于成像.
研究的目的:
- 通过结合表型和基于结构的模型的优势来改善药物发现.
- 为了提高线粒体毒性试验 (Glu/Gal) 的性能.
- 为了扩大化学空间,以便进行可靠的预测.
主要方法:
- 采用了积极学习方法,整合了表型 (细胞绘画) 和基于结构的模型.
- 利用表型细胞绘画屏幕构建了一个化学独立的模型.
- 使用模型结果来选择用于实验测试和注释 (Glu/Gal) 的化合物.
主要成果:
- 显著提高了基于化学信息的配体模型的性能.
- 成功地将已知的化学空间扩大了10%.
- 证明了主动学习在提高毒性预测模型性能方面的有效性.
结论:
- 积极学习有效地结合了表型和基于结构的方法,以加强药物发现.
- 综合方法扩大了化学多样性,并提高了毒性测定中的预测准确性.
- 这一策略提供了一种更有效,更广泛的方法来识别打击材料.
更多相关视频
09:21Author Spotlight: Generating Neuronal Phenotypic Profiles - A Protocol to Culture and Image Human Midbrain Dopaminergic Neurons
Published on: July 7, 2023
1.6K
09:48Discrimination and Characterization of Heterocellular Populations Using Quantitative Imaging Techniques
Published on: June 30, 2017
7.5K
