通过深森林架构识别抗结核,以有效的特征表示
Lantian Yao1,2, Jiahui Guan3, Wenshuo Li2
1Kobilka Institute of Innovative Drug Discovery, School of Medicine, The Chinese University of Hong Kong, Shenzhen, 2001 Longxiang Road, 518172 Shenzhen, China.
Analytical chemistry
|January 16, 2024
概括
我们开发了ATPfinder,这是一种机器学习工具,以加速发现抗结核 (ATPs) 用于治疗耐药结核病. ATPfinder实现了高精度,并帮助研究人员识别有效的类药物.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 结核病 (TB) 仍然是一个全球性健康威胁,由耐药性Mycobacterium结核病菌株加剧.
- 抗结核 (ATP) 对结核病治疗具有前景,但传统的发现方法缓慢且昂贵.
- 开发新的治疗策略对于有效打击结核病至关重要.
研究的目的:
- 推出ATPfinder,这是一个新的机器学习框架,用于加速抗结核 (ATPs) 的发现.
- 解决传统湿实验室方法在识别强效ATP方面的局限性.
- 为抗结核病药物发现领域的研究人员提供一个强大的和可解释的计算工具.
主要方法:
- 集成高效的描述器与深森林算法用于模型构建.
- 使用类似神经网络的级联结构来有效地进行特征挖掘,而无需广泛的超参数调整.
- 开发一个可下载的桌面应用程序,以方便用户访问ATPfinder框架.
主要成果:
- ATPfinder实现了最先进的性能,精度为89.3%,MCC为0.70,超过了现有的ATP预测工具.
- 与序列分析中使用的基线算法相比,该框架显示出更高的稳定性.
- 该模型的可解释性有助于理解对抗结核活动有助于抗结核活动的关键特征.
结论:
- ATPfinder显著加速了对结核病治疗的潜在类药物的发现.
- 该工具为研究人员提供了宝贵的资源,有助于开发新的结核病解决方案.
- 开发的框架和应用程序是免费可用的,促进了在抗结核病研究中的更广泛的可访问性和应用.
