FGFR1Pred:一种基于人工智能的模型,用于预测纤维细胞生长因子受体1抑制剂

科学领域:

• 计算化学和生物信息学
• 药物发现和药物化学
• 瘤学和分子生物学.

背景情况:

• 纤维细胞生长因子受体 (FGFRs),特别是FGFR1,在各种细胞功能中至关重要,并与许多癌症有关.
• 过度活跃的FGFR1信号驱动癌细胞的增殖和生存,使其成为一个有前途的治疗标.
• 发现FGFR1抑制剂的传统方法是昂贵的,耗时的,劳动密集的.

研究的目的:

• 开发基于人工智能 (AI) 的预测模型,用于识别潜在的纤维细胞生长因子受体1 (FGFR1) 抑制剂.
• 通过有效地探索化学空间和降低成本来加速药物发现过程.
• 为治疗开发提供一种有价值的工具,用于识别新型FGFR1抑制剂.

主要方法:

• 利用2356种化学化合物的数据集来训练基于AI的预测模型.
• 采用了四种机器学习 (ML) 算法:支持矢量机 (SVM),随机森林 (RF),k-最近邻居 (k-NN) 和人工神经网络 (ANN).
• 模型使用分子描述器 (1D和2D,有或没有分子指纹) 进行训练.

主要成果:

• 基于随机森林 (RF) 的预测模型显示了最高的准确性:98.9%在培训数据集上,89.8%在测试数据集上,90.3%在外部测试数据集上.
• 开发的AI模型,名为FGFR1Pred,有效地预测了潜在的FGFR1抑制剂.
• 该模型是公开可用的,以促进进一步的研究和药物发现.

结论:

• 基于人工智能的预测模型,特别是射频模型,为识别FGFR1抑制剂提供了强大而有效的方法.
• FGFR1Pred加速了药物发现管道,可能导致新的癌症治疗药物的开发.
• 这种人工智能工具有助于探索广的化学空间寻找候选药物,减少与传统方法相关的时间和成本.