使用机器学习技术来预测使用LCQTOF-MS检测到的化合物在马来西亚凯鲁特蜂蜜中的血脑屏障透性
R Edros1,2, T W Feng1, R H Dong3
1Faculty of Chemical and Process Engineering Technology, Universiti Malaysia Pahang, Gambang, Malaysia.
SAR and QSAR in environmental research
|July 6, 2023
概括
机器学习 (ML) 模型现在可以分析大量的色谱数据,以预测哪些化合物,比如Kelulut蜂蜜中的化合物,可能会穿过血脑屏障 (BBB). 这种方法比传统方法更有效地识别潜在的神经保护药物.
科学领域:
- 药理学 药理学 是一个学科.
- 计算化学的计算化学
- 神经科学是一个神经科学.
背景情况:
- 目前用于生物活性选的in silico方法往往忽略了染色体分析中识别的各种化合物.
- 广泛的染色学数据的有限利用限制了新药候选者的发现,特别是用于中枢神经系统 (CNS) 的应用.
- 通过血脑屏障 (BBB) 的化合物透性是开发中枢神经系统向治疗的关键瓶.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用化学信息学来预测血脑屏障 (BBB) 透性.
- 应用验证的ML模型来对Kelulut蜂蜜中的化合物进行潜在神经保护性质的分类.
- 为了利用广泛的染色学数据来增强化合物分类和药物发现.
主要方法:
- 开发了四个机器学习模型,随机森林 (RF) 算法因其卓越的性能而被选中.
- 射频模型的内部和外部验证,实现高精度 (ACC) 和曲线下面积 (AUC) 值.
- 应用射频模型来分类285个化合物从液态染色学四极飞行时间质谱学 (LC-QTOF-MS) 分析Kelulut蜂蜜,使用94个分子描述符.
主要成果:
- 选择的随机森林 (RF) 模型表现出强大的性能,精度为87.5% (内部) 和86.9% (外部),AUC为0.907 (内部) 和0.726 (外部).
- 在Kelulut蜂蜜中分析的285种化合物中,有140种被选出来,17种被预测具有血脑屏障 (BBB) 透性.
- 这17种化合物代表了开发药物治疗神经退行性疾病的潜在候选者.
结论:
- 机器学习模式识别对于释放药物发现中综合色谱数据的潜力至关重要.
- 该研究通过预测BBB透性,成功地从Kelulut蜂蜜中识别出具有潜在神经保护性质的化合物.
- 这种方法提高了识别神经系统疾病候选药物的效率,减少了对广泛的体外研究的依赖.
