ABDpred:使用监督机器学习技术预测活性抗微生物化合物

科学领域:

• 计算化学是一种计算化学.
• 药品化学 药品化学 是一个
• 药物发现 药物发现

背景情况:

• 多种耐药性病原体的兴起需要新型抗生素的发现.
• 传统方法的成功率很低,这凸显了对先进方法的需求.
• 形方法,特别是机器学习,为识别新抗菌剂提供了有希望的替代方案.

研究的目的:

• 开发和验证用于预测新型抗菌化合物的机器学习 (ML) 模型.
• 解决抗生素发现的瓶,这是由于耐药病原体的威胁日益增加所造成的.
• 为研究人员创建一个可访问的工具,以帮助识别潜在的新抗生素.

主要方法:

• 使用了八种机器学习算法:极端梯度增强,随机森林,梯度增强分类器,深度神经网络,支持矢量机,多层感知子,决策树和后勤回归.
• 模型使用312种已知的抗生素药物和936种非抗生素化合物的数据集进行训练.
• 使用五重交叉验证方法来训练和评估ML模型.

主要成果:

• 前四个ML分类器 (极端梯度提升,随机森林,梯度提升分类器和深度神经网络) 的精度达到80%及以上.
• 这些高精度在测试和盲目数据集中一致.
• 通过使用软投票技术汇总前四个分类器,创建了一个整体模型.

结论:

• 开发的整体ML模型显示了预测新型抗微生物化合物的巨大潜力.
• 整体模型集成到 ABDpred 在线服务器中,为抗生素发现提供了一个免费可访问的资源.
• 这种计算方法提供了一种有前途的策略,可以加速对抗耐药病原体的新抗生素的识别.