预测可延长碳的寿命的化学化合物 有机器学习和生物可解释特征的elegans

科学领域:

• 老年学和计算生物学.
• 机器学习在药物发现中的应用.

背景情况:

• 对抗衰老的药理干预措施越来越感兴趣.
• 机器学习越来越多地用于分析与衰老相关的数据.

研究的目的:

• 使用机器学习分析DrugAge数据库,寻找延长寿命的化合物.
• 使用生物特征预测新的延长生命的化合物.

主要方法:

• 创建了基于化合物-蛋白相互作用,基因本体学术语和表型本体学术语的四个数据集.
• 使用特征选择和随机森林算法进行预测建模.
• 解释了与衰老生物学相关的关键特征.

主要成果:

• 确定"谷氨代谢过程" (基因本体学术语) 对于延长寿命至关重要.
• 预测,抗高血压药物尼托普鲁塞德是延长寿命的有希望的新型化合物.
• 在C. elegans*中开发了延长寿命的预测模型.

结论:

• 机器学习可以有效地预测延长寿命的新型化合物.
• 这种方法为发现抗衰老药物开辟了新的途径.
• 像谷甲代谢这样的生物特征是长寿干预的关键目标.