基于细胞涂料的生物活性预测提高了高通量选的命中率和化合物多样性
Johan Fredin Haslum1,2,3, Charles-Hugues Lardeau4, Johan Karlsson5
1KTH Royal Institute of Technology, Stockholm, Sweden.
Nature communications
|April 24, 2024
概括
使用细胞绘画数据的深度学习模型可以准确地预测许多测试中的化合物活性. 这种方法通过允许更小,更专注的化合物选来简化药物发现,从而节省了大量的时间和资源.
科学领域:
- 计算生物学是一种计算生物学.
- 药物发现 药物发现
- 机器学习 机器学习
背景情况:
- 早期的药物发现是资源密集的,需要识别活性化合物.
- 形态分析提供了一种简化化合物选的潜在方法.
- 细胞绘画数据为表型分析提供了丰富的细胞信息.
研究的目的:
- 调查深度学习对细胞绘画数据的使用,以预测化合物生物活性.
- 通过一组多样化的140个测试来评估模型的性能.
- 为了确定单独的亮场图像是否能够达到高预测准确度.
主要方法:
- 使用深度学习模型,在细胞绘画图像和单重度活动读取结果上进行训练.
- 在140个不同的测试中预测化合物活性.
- 使用ROC-AUC得分分析模型性能并实验验验证预测.
主要成果:
- 平均ROC-AUC达到0.744±0.108,其中62%的试验达到≥0.7.7.
- 演示了高预测性能,有时只能用明亮场图像实现.
- 在各种测试类型,技术和目标类别中证实了稳定性,特别是基于细胞的测试和激酶标.
结论:
- 基于细胞涂料的生物活性预测是各种目标和测试的可靠方法.
- 这种方法可以显著减少查活动的大小,节省时间和资源.
- 在细胞绘画数据上训练的模型提高了命中率,并在药物发现中构建了多样性的支架.
