深度学习用于识别药物-脂复合体中有希望的候选药物
Soyoung Yoo1, Hanbyul Lee1, Junghyun Kim1
1Department of Artificial Intelligence, Sejong University, Seoul 05006, Republic of Korea.
Molecules (Basel, Switzerland)
|June 28, 2023
概括
这项研究引入了一种新的深度学习模型,用于预测药物-脂复合体的形成,提高药物的生物可用性. 新模型的性能优于以前的机器学习方法,提供了一种更有效的预测方法.
科学领域:
- 制药科学 制药科学
- 计算化学计算化学
- 机器学习 机器学习
背景情况:
- 药物-脂复合改善了活性药物成分 (API) 的生物可用性.
- 在体外复杂形成的测试是昂贵和耗时的.
- 以前的机器学习模型显示出有希望的结果,但在小的,不平衡的数据集上遇到了困难.
研究的目的:
- 开发一种卓越的深度学习模型,用于预测药物-脂复合体的形成.
- 解决以前机器学习模型的局限性,包括数据不平衡和性能恶化.
- 为了提高预测这一关键配方技术的效率和准确性.
主要方法:
- 开发了一个使用变量自编码器 (VAE) 和主要组件分析 (PCA) 的深度学习模型.
- 采用了多层一维卷积神经网络 (CNN) 与跳过连接.
- 利用计算机模拟来评估模型性能.
主要成果:
- 与之前的模型相比,拟议的深度学习模型在所有指标上都表现出卓越的表现.
- VAE和PCA集成有效地处理了数据复杂性和不平衡.
- 美国有线电视新闻网的架构成功地捕获了复杂的药物脂质相互作用.
结论:
- 这种新的深度学习方法显著提高了药物-脂复合体形成的预测准确性.
- 这种方法为传统的体外试验提供了更有效和可靠的替代方案.
- 这些发现为优化药物配方和增强API生物可用性铺平了道路.
