在深度学习时代,用于预测肝毒性的计算模型

科学领域:

• 药理学和毒理学 药理学和毒理学
• 计算化学计算化学
• 人工智能在医学中的应用

背景情况:

• 药物诱导性肝损伤 (DILI) 是一个关键的安全问题,可能导致严重的结果,包括肝衰竭和死亡.
• 定量结构-活性关系 (QSAR) 模型对于早期肝毒性查至关重要,因为它们的非物理物质要求和速度.
• 深度学习 (DL) 的最新进展使复杂的QSAR模型的开发成为可能.

研究的目的:

• 审查深度学习 (DL) 在预测药物诱导性肝损伤 (DILI) 的应用.
• 专注于开发QSAR模型,利用广泛的化学结构数据集和DILI结果.
• 为了评估DL方法与传统的机器学习 (ML) 方法对DILI预测.

主要方法:

• 对用于DILI预测的深度学习 (DL) 方法的全面审查.
• 分析使用化学结构数据和DILI结果开发的QSAR模型.
• 对DL技术与传统机器学习 (ML) 方法进行比较评估.

主要成果:

• 深度学习 (DL) 模型显示了提高DILI预测的准确性和效率的巨大潜力.
• 对比强调了DL技术在解释性,可扩展性和通用性方面的优势和局限性.
• 基于DL的QSAR模型为早期肝毒性查提供了一个有希望的途径.

结论:

• 深度学习方法有望显著改善DILI风险预测.
• 未来的研究应该专注于利用DL来获得强大的预测模型,以减轻人类的DILI.
• 增强的预测模型可以促进更安全的药物开发和改善患者的治疗结果.