使用机器学习堆叠算法预测金属有机框架的药物负载能力和细胞毒性分析
Yang Wang1, Liqiang He1, Meijing Wang1
1School of Biomedical and Pharmaceutical Sciences, Guangdong University of Technology, 100 Waihuanxi Road, Guangzhou Higher Education Mega Center, Guangzhou 510006, PR China.
International journal of pharmaceutics
|April 15, 2024
概括
机器学习 (ML) 模型可以预测金属有机框架 (MOF) 药物负载和细胞毒性. 这种方法确定了有希望的MOF,以提高药物输送,提高配方性能和降低毒性.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 纳米技术 纳米技术
- 药物输送系统 药物输送系统
背景情况:
- 金属有机框架 (MOF) 对药物输送具有前景,但性能差异很大.
- 现有超过10万种MOF类型,需要有效的方法来识别最佳候选者.
- 低于最佳的药物负载和细胞毒性限制了许多MOF的临床应用.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于预测MOF药物负载能力和细胞毒性.
- 确定影响药物负载和毒性的关键MOF属性和组件.
- 为了指导MOF的合理设计,以改善药物输送特性.
主要方法:
- 在文学编译的MOF属性的数据集上训练了一种堆积回归模型.
- 模型的性能使用R平方值来评估药物负载 (0.907) 和细胞毒性 (0.856).
- 使用各种ML解释技术 (例如SHAP,PDP) 分析了特征的重要性.
主要成果:
- ML模型准确地预测了药物负载能力和细胞毒性.
- 金属成分 (Zn,Cr,Fe,Zr,Cu) 被确定为影响MOF性能的重要因素.
- 实验和计算验证证实了模型的可靠性.
结论:
- 机器学习是预测MOF药物负载和细胞毒性的强大工具.
- 这种方法可以加速发现具有卓越药物递送能力的MOF.
- 该研究为未来纳米医学中的ML驱动材料设计提供了一个框架.
