对HIV-1整合酶抑制剂的分类模型的新型机器学习方法
Tieu-Long Phan1,2, The-Chuong Trinh3, Van-Thinh To4
1Bioinformatics Group, Department of Computer Science, and Interdisciplinary Center for Bioinformatics, Universität Leipzig Härtelstraße 16-18 04107 Leipzig Germany.
RSC advances
|May 6, 2024
概括
这项研究开发了一种机器学习模型,以识别抑制HIV-1整合酶的化合物,这是对抗HIV/AIDS的关键一步. 该模型成功选了重定向药物,确定了PSI-697作为进一步调查的非常有前途的候选人.
科学领域:
- 计算化学和生物信息学
- 药物的发现和开发.
- 机器学习在病毒学中的应用.
背景情况:
- 人类免疫缺陷病毒-1 (HIV-1) 导致严重的流行病,如果不治疗,会导致获得性免疫缺陷综合征 (艾滋病).
- 开发针对HIV-1的新型抗病毒药物对公共卫生至关重要.
- 艾滋病毒-1整合酶是病毒复制的关键酶,使其成为一种重要的药物标.
研究的目的:
- 开发和验证一种机器学习模型,用于分类抑制HIV-1整合酶的化合物.
- 选一个数据集的重定位化合物潜在的HIV-1整合酶抑制剂.
- 确定用于HIV-1治疗的新药候选药物.
主要方法:
- 利用机器学习算法,包括XGBoost,用于化合物分类.
- 采用了各种分子描述符和指纹,RDK7指纹被选为最佳.
- 使用威尔科克森签名等级测试进行了元分析,以确定最好的分子描述符.
- 通过交叉验证和外部验证验证模型.
- 进行了分子对接模拟,以评估结合亲和力和预测抑制潜力.
主要成果:
- 使用RDK7指纹的XGBoost模型表现出高性能,在交叉验证中达到0.928的平均精度和0.848的F1得分.
- 外部验证的平均精度为0.921,F1得分为0.889.
- 分子对接确定PSI-697为最有前途的候选者,对接得分为-17.14 kcal mol-1和69.81%的HIV整合酶抑制概率.
- 从使用QSAR模型的DrugBank重定向数据中选择了44种化合物.
结论:
- 开发的机器学习模型有效地识别HIV-1整合酶抑制剂.
- PSI-697是艾滋病毒-1感染的潜在新疗法候选者.
- 这种计算方法加速了抗病毒疗法的药物重新定位过程.
