利用专利数据的非活性增强型机器学习模型改善了基于结构的PDL1二元化器的虚拟选

科学领域:

• 计算机化药物发现.
• 在药理学中的机器学习.
• 蛋白质 - 配体相互作用

背景情况:

• 通过PDL1二元化向编程细胞死亡蛋白1/编程死亡连接体1 (PD1/PDL1) 提供了一条通往具有成本效益的癌症治疗的途径,改善了患者的治疗结果和减少了副作用.
• 开发PDL1二分化剂一直是具有挑战性的,临床进展有限,突出显示了对高效药物发现方法的需求.

研究的目的:

• 为了证明基于结构的虚拟选 (SBVS) 的实用性,采用PDL1特定的机器学习评分函数 (MLSFs) 来通过PDL1二分化识别PD1/PDL1抑制剂.
• 建立MLSF作为药物设计中的一个强有力的工具,用于这个治疗目标.

主要方法:

• 创建和评估众多PDL1特异性的MLSF,包括分类器和非活性丰富回归器.
• 纳入最近在MLSF开发中的进展.
• 验证使用两个严格的测试数据集来评估预测性能.

主要成果:

• 成功生成了60个PDL1特定的MLSF (30个分类器,30个回归器).
• 证明了包含众多停靠不活的大型训练数据集可以显著提高MLSF的性能.
• 为开发的PDL1特定的MLSF实现了高度预测能力.

结论:

• 针对PDL1目标,PDL1特定的MLSF在各种类型中显著优于通用评分功能.
• 开发的PDL1特异性MLSF无限制公开提供,以促进进一步的研究和药物开发.