组合替代物数使用机器学习来开发抗菌剂

科学领域:

• 药用化学 医学化学
• 计算化学的计算化学
• 药物发现 药物发现 药物发现

背景情况:

• 机器学习 (ML) 为推进抗菌剂开发提供了潜力.
• 有效的ML应用需要分子描述器来平衡信息性和计算可行性.
• 现有的描述符可能是计算密集型或缺乏预测有效性.

研究的目的:

• 开发和评估一种用于机器学习的新型分子描述器,用于在抗菌药物发现中进行机器学习.
• 评估这个描述符对4-诺抗菌剂的预测性能.
• 为了证明描述符在生成和选大型虚拟复合库中的实用性.

主要方法:

• 开发了一个组合替代物数 (CSN) 描述符,专注于替代物类型和4-诺结构中的位置.
• 机器学习模型使用CSN描述符对11,879种已知的化合物进行了训练和验证.
• 通过替代物重组生成了超过3200万个化合物的大型虚拟库.

主要成果:

• 基于CSN的ML模型实现了培训的0.719和验证的0.519的确定系数.
• 通过CSN描述符,可以高效地构建一个大型,结构一致的虚拟库.
• 实验验证证证实了该模型对大肠杆菌生长抑制的预测准确性.

结论:

• CSN描述符为ML驱动的抗微生物药物发现提供了一个计算效率高和有效的方法.
• 这种方法有助于快速虚拟查和识别潜在的抗菌候选药物.
• 该研究强调了简化分子描述器在加速药物开发管道中的实际应用.