益米达衍生物的抗菌活性分类由人工神经网络预测
Andżelika Lorenc1, Anna Badura2, Maciej Karolak3
1Department of Biopharmacy, Faculty of Pharmacy, Collegium Medicum in Bydgoszcz, Nicolaus Copernicus University in Toruń, dr A. Jurasza 2, 85-089, Bydgoszcz, Poland. andzelika.lorenc@cm.umk.pl.
这项研究使用多层感知器 (MLP) 神经网络成功预测了新型伊米达化物对克莱布西拉肺炎的抗菌活性. 机器学习技术,如分类和回归树 (CART) 和主要组件分析 (PCA) 增强了合成前的预测准确性.
科学领域:
- 计算化学的计算化学
- 机器学习在药物发现中的作用
- 抗微生物耐药性 抗微生物耐药性
背景情况:
- 伊米达化物是一种具有潜在抗菌性能的化合物.
- 在合成之前预测抗微生物活性可以加速药物发现.
- 克莱布西拉肺炎是一种重要的人类病原体,需要新的抗菌剂.
研究的目的:
- 评估多层感知器 (MLP) 神经网络在预测抗菌活性方面的有效性.
- 利用分子描述器和机器学习技术 (CART,PCA) 进行合成前分析.
- 评估伊米达化物对Klebsiella pneumoniae的预测性能.
主要方法:
- 使用分类和回归树 (CART) 来识别关键分子描述符.
- 应用主要组件分析 (PCA) 用于减小维度,保留99.57%的数据.
- 训练了一个MLP神经网络 (5-12-2架构) 使用12倍交叉验证最小抑制度 (MIC) 数据.
- 根据MIC切点 (0.856mol/L) 将抗菌活性分类为高或低.
主要成果:
- 在所有数据集中,MLP模型实现了近90%的正确分类.
- 与没有缩小尺寸的模型相比,采用PCA的模型表现出更高的性能.
- 关键性能指标很高:准确度 (0.907),灵敏度 (0.905),特异性 (0.909) 和精度 (0.891).
结论:
- 与CART和PCA相结合的MLP神经网络是预测抗菌活性类的强大工具.
- 使用CART和PCA进行变量减少并没有导致显著的信息丢失.
- 经过验证的方法为在抗微生物化合物设计中进行合成前评估提供了有价值的方法.
更多相关视频
10:24NMR-Based Activity Assays for Determining Compound Inhibition, IC50 Values, Artifactual Activity, and Whole-Cell Activity of Nucleoside Ribohydrolases
Published on: June 30, 2019
11:52Evaluation of Antimicrobial Activities of Nanoparticles and Nanostructured Surfaces In Vitro
Published on: April 21, 2023
相关概念视频
Indirect-Acting Cholinergic Agonists: Chemistry and Structure-Activity Relationship
Reversible inhibitors display short to medium durations of action. Short-acting agents include simple alcohols with...
Basicity of Heterocyclic Aromatic Amines
Cholinergic Antagonists: Chemistry and Structure-Activity Relationship
