机器学习用于皮肤透性预测:随机森林和XG促进回归

科学领域:

• 药理学 药理学是指药理学的学科.
• 计算化学计算化学
• 材料科学 材料科学 材料科学

背景情况:

• 机器学习 (ML) 模型对于估计药物输送中的皮肤透率 (Kp) 是至关重要的.
• 亚伯拉罕的线性自由能量关系 (LFER) 是Kp预测的一个关键方法.
• 有175种含有Kp和亚伯拉罕溶解物描述物的化合物的数据集.

研究的目的:

• 使用随机森林和XG Boost回归来预测皮肤透率 (Kp).
• 为了利用公开可用的数据集进行Kp估计.
• 探索ML在预测通过皮肤递送药物的应用.

主要方法:

• 使用Pandas和JupyterLab进行数据分析.
• 采用随机森林和XG Boost回归算法.
• 使用亚伯拉罕描述符预测的Kp:过度摩尔折射 (E),双极性/极化性 (S),键酸性/基本性 (A,B) 和麦克高温体积 (V).

主要成果:

• 随机森林和XG Boost模型都显示了统计学上显著的关联.
• 建立了溶解物描述符和皮肤透系数之间的预测关系.
• 验证了ML技术对Kp估计的有效性.

结论:

• 随机森林和XG Boost是有效的ML工具,用于预测皮肤透性.
• 亚伯拉罕描述符是基于ML的Kp预测模型的宝贵输入.
• 这种方法可以加速药物输送研究和开发.