基于使用深度学习的抗癌植物化学品的拓结构的多目标午线分类

科学领域:

• 综合性瘤学和计算药理学.
• 利用人工智能进行传统中医药 (TCM) 研究.
• 在抗癌草药中探索午线热带的分子基础.

背景情况:

• 传统中国医学 (TCM) 的午线理论指导了抗癌处方,但缺乏系统的科学验证.
• 现有的方法难以表示复杂的植物化学结构及其多目标午线对应.
• 在将草药化合物与癌症治疗的特定午线通路联系起来仍然存在挑战.

研究的目的:

• 开发一种人工智能 (AI) 框架,基于植物化学拓结构来对多目标午线进行分类.
• 解决当前技术在代表TCM研究的复杂分子数据方面的局限性.
• 在抗癌疗法中研究草药和午线之间的多重对应.

主要方法:

• 从公共数据库收集了354种抗癌草药,它们的午线和5471种化合物的数据.
• 对草药,化合物和癌症数据集进行统计,聚类和相关性分析.
• 采用深度学习 (DL) 混合模型,GRMC (图形卷积网络和循环神经网络),用于从分子图表生成多标签的午线序列.

主要成果:

• 确定了抗癌草药与肺,肝脏,胃和 meridians之间的强烈关系.
• 在化合物中观察到某些癌症类型 (如卵巢,膀,子宫) 和多点午线特征的同时发生.
• 该GRMC模型在最先进的算法中表现出优越的性能,实现了高精度 (MAA: 0.855) 和精度 (MAP: 0.891).

结论:

• 拟议的GRMC方法有效地预测使用草药化合物的神经图形特征的多目标午线.
• 人工智能框架的性能优于现有方法,为TCM午线分类提供了强大的工具.
• 这项研究为了解TCM午线理论在癌症治疗中提供了分子科学基础.