使用机器学习和深度学习方法开发乳腺癌特定的组合QSAR模型
Anush Karampuri1, Shyam Perugu1
1Department of Biotechnology, National Institute of Technology, Warangal, India.
Frontiers in bioinformatics
|January 30, 2024
概括
这项研究使用机器学习 (ML) 和深度学习 (DL) 来预测有效的乳腺癌药物组合. 深度神经网络 (DNN) 在识别增强组合治疗的结构-活动关系方面表现有前途.
科学领域:
- 在瘤学瘤学.
- 计算化学的计算化学
- 生物信息学是一种生物信息学.
背景情况:
- 乳腺癌是全球女性的主要癌症,需要先进的治疗策略.
- 结合疗法,使用和图书馆药物,提供更高的疗效和更广泛的治疗方法.
- 目前的治疗发展需要有效的方法来预测协同药物相互作用.
研究的目的:
- 开发一种定量结构-活性关系 (QSAR) 模型,用于预测乳腺癌药物对的联合疗效.
- 利用机器学习 (ML) 和深度学习 (DL) 算法来预测药物协同作用.
- 确定最佳的药物组合,以改善乳腺癌治疗结果.
主要方法:
- 利用基于回归的ML和DL算法来构建QSAR模型.
- 评估了11种不同的ML和DL算法.
- 训练模型使用52种乳腺癌细胞系,25种药和51种库药的数据.
主要成果:
- 深度神经网络 (DNN) 显示出卓越的性能,其高R平方 (R2) 为0.94,低根平均平方误差 (RMSE) 为0.255.
- 开发的QSAR模型有效地捕捉了药物对的结构-活性关系.
- DNN表现出强大的概括能力来预测联合药物活性.
结论:
- 组合疗法对乳腺癌治疗具有显著的前景.
- ML和DL技术,特别是DNN,是优化药物发现和预测协同效应的强大工具.
- 将计算方法与实验验证相结合,可以加速开发新的乳腺癌疗法.


