机器学习驱动的基于Web的应用平台,用于发现单胺氧化酶B抑制剂

科学领域:

• 计算化学和化学信息学
• 药物发现和药物化学
• 神经科学和药理学是神经科学和药理学.

背景情况:

• 单胺氧化酶 (MAO),特别是MAO-A和MAO-B,是神经递质代谢中的关键酶.
• 马奥抑制剂对于治疗神经退行性疾病至关重要,如帕金森病 (PD),阿尔茨海默病 (AD) 和肌缩侧面硬化症 (ALS).
• 了解MAO-B抑制的结构基础对于开发向疗法至关重要.

研究的目的:

• 开发新的机器学习辅助定量结构-活性关系 (ML-QSAR) 模型,用于预测MAO-B抑制.
• 确定驱动MAO-B抑制活性的关键分子特征.
• 为预测MAO-B生物活性创建一个用户友好的Web应用程序.

主要方法:

• 使用PubChem指纹,亚结构指纹和1D/2D分子描述器生成三个不同的ML-QSAR模型.
• 应用一个随机森林机器学习算法来分析249个非冗余分子.
• 使用差异重要性图 (VIP) 和相关性矩阵分析进行特征选择.
• 开发了MAO-B-pred网络应用程序 (https://mao-b-pred.streamlit.app/).
• 进行分子对接和动力学研究,以了解连接体-受体相互作用.

主要成果:

• 开发的ML-QSAR模型显示出高预测准确度,相关系数为0.9863 (PubChem指纹),0.9796 (亚结构指纹) 和0.9852 (1D/2D描述器).
• 成功确定了有助于MAO-B抑制的显著分子特征.
• MAO-B-pred网络应用程序成功部署,使生物活性预测成为可能.
• 分子对接和动力学研究证实了ML-QSAR的发现,提供了机械的见解.

结论:

• 开发的ML-QSAR模型是预测MAO-B抑制的强大工具.
• 鉴定的关键分子特征可以指导新型MAO-B抑制剂的合理设计.
• 这些发现支持开发用于神经退行性疾病的有效治疗剂.
• MAO-B-pred网络应用程序是药物发现研究人员的宝贵资源.