机器学习辅助对药物发现中的高吞吐量选的击中优先级
Davide Boldini1, Lukas Friedrich2, Daniel Kuhn2
1TUM School of Natural Sciences, Department of Bioscience, Center for Functional Protein Assemblies (CPA), Technical University of Munich, 85748 Garching bei München, Germany.
ACS central science
|April 29, 2024
概括
这项研究引入了一种新的数据驱动方法,用于识别测试干扰物,并从高吞吐量查数据中优先考虑真正的生物活性化合物,加速药物发现.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- 高吞吐量查 (HTS) 对于药物发现至关重要,但由于测试干扰,通常会产生错误阳性.
- 从杂的HTS数据中有效地优先考虑真正的生物活性化合物仍然是一个重大挑战.
研究的目的:
- 开发一种数据驱动的方法,同时检测测定量干扰物和优先考虑真正的生物活性化合物.
- 为任何HTS活动提供一种普遍适用的方法,而无需先前了解干扰机制.
主要方法:
- 利用在杂的HTS数据上训练的梯度增强模型.
- 引入了对样本影响的新配方,以分析模型学习动态.
- 基于学习模式的真实生物活性和测试文物之间的区别.
主要成果:
- 该方法成功地识别并排除了具有多种机制的测试干扰物.
- 与现有的基线相比,生物相关化合物的优先级已被证明更高.
- 在低资源硬件上实现了高计算效率,在不到30秒的时间内处理测试.
结论:
- 开发的方法提供了一个强大的和高效的解决方案,用于HTS的假阳性检测.
- 这种工具可以通过指导后HTS的药理优化,显著提高药物发现管道的效率.
