使用数据平衡,可解释的机器学习和匹配的分子对分析,改进了PARP-1抑制的QSAR模型.
Anish Gomatam1, Bhakti Umesh Hirlekar1, Krishan Dev Singh1
1Department of Medicinal Chemistry, National Institute of Pharmaceutical Education and Research, (NIPER Guwahati), Department of Pharmaceuticals, Ministry of Chemicals and Fertilizers, Govt. of India, Sila Katamur (Halugurisuk), Dist: Kamrup, P.O.: Changsari, Guwahati, Assam, 781101, India.
Molecular diversity
|February 20, 2024
概括
一种新的机器学习方法提高了对乳腺癌治疗中的多 (ADP-ribose) 聚合酶-1 (PARP-1) 活性的预测. 这种方法提供了更好的解释性,并指导设计具有较少副作用的新型PARP-1抑制剂.
科学领域:
- 药用化学 医学化学
- 计算化学计算化学
- 药理学 药理学是指药理学的学科.
背景情况:
- 聚 (ADP-ribose) 聚合酶-1 (PARP-1) 是乳腺癌治疗的一个关键标.
- 像Olaparib这样的现有的PARP-1抑制剂可能会导致严重的血液和心脏毒性.
- 目前用于PARP-1活动预测的in silico模型具有较低的特异性和可解释性.
研究的目的:
- 开发基于机器学习 (ML) 的定量结构-活动关系 (QSAR) 模型,用于预测PARP-1活动.
- 提高PARP-1抑制剂预测模型的可解释性.
- 引导新型PARP-1抑制剂的设计,以提高疗效和安全性.
主要方法:
- 采用了基于ML的全面QSAR方法.
- 分类模型使用了合成少数群体过量采样技术 (SMOTE) 和K-最近邻近算法.
- 使用Shapley添加式解释 (SHAP) 和匹配分子对分析 (MMPA) 实现了机械解释.
主要成果:
- 强大的分类模型实现了0.86准确度,0.88灵敏度和0.80特异性.
- 回归模型在特定化合物类 (如甲) 上显示出强的性能.
- SHAP分析确定了关键的拓特征,MMPA提取了化学转化规则.
结论:
- 开发的ML-QSAR方法提供了PARP-1活动的准确和可解释的预测.
- 这些发现提供了对PARP-1抑制的机制性见解.
- 这项研究为药物化学家在设计用于乳腺癌治疗的下一代PARP-1抑制剂方面提供了宝贵的指导.
