亚马尔菲:一种机器学习平台,用于预测药物诱导的脂化症
Maria Cristina Lomuscio1, Carmen Abate1,2, Domenico Alberga1
1CNR─Institute of Crystallography, Via Amendola 122/o, 70126 Bari, Italy.
Molecular pharmaceutics
|December 22, 2023
概括
研究人员开发了一种机器学习模型,以预测药物诱导的脂症 (PLD),这是影响药物安全性的细胞状况. 这种工具有助于在开发初期识别潜在有害的候选药物,改善药物发现.
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
- 毒理学 毒理学 毒理学
背景情况:
- 药物诱导的脂症 (PLD) 是脂的细胞积累,通常在溶酶体中.
- 它与阴性两性药物 (CADs) 有关,并且可以混药物重定位,特别是在SARS-CoV-2抗病毒药物中.
- 早期识别PLD诱导化合物对于药物安全性和准确的疗效评估至关重要.
研究的目的:
- 开发可预测的机器学习模型,用于识别候选药物中潜在的药物诱导脂症 (PLD).
- 为药物化学家创建一个可靠的工具,在药物开发管道的早期评估PLD风险.
主要方法:
- 来自ChEMBL v30的545个精选的小分子数据集被用于训练机器学习分类器.
- 使用平衡随机森林算法构建最有效的预测模型.
- 用AUC (曲线下的面积) 等指标评估模型性能.
主要成果:
- 开发的机器学习模型表现出高的预测性能,在验证中达到0.90的AUC.
- 均衡随机森林分类器被证明是预测PLD潜力的最有效方法.
- 该模型成功地在小分子中确定了潜在的PLD诱导体.
结论:
- 机器学习为预测药物诱导脂症 (PLD) 潜力提供了一种可行的方法.
- 开发的模型和AMALPHI网络平台为早期药物安全性评估提供了宝贵的工具.
- 这种预测能力可以显著帮助药物化学家选择更安全的候选药物,避免误导性体外结果.
