通过基于神经指纹的深度学习技术对分子进行虚拟选

科学领域:

• 计算化学是一种计算化学.
• 机器学习在药物发现中的作用
• 生物信息学是一种生物信息学.

背景情况:

• 药物查对于识别潜在治疗方法至关重要.
• 现有的分子查方法可能耗时且计算密集.
• 机器学习为加速药物发现过程提供了有希望的途径.

研究的目的:

• 开发和优化一种基于机器学习的新药物查技术.
• 为了比较神经网络衍生指纹与固定摩根指纹的效率,用于药物标结合亲和力预测.
• 为了提高计算药物发现的速度和准确性.

主要方法:

• 开发了一个机器学习模型,利用卷积神经网络衍生的指纹.
• 模型的重量被优化并与摩根指纹相比较.
• 根据药物标结合亲和力进行了二元分类,使用来自ZINC15数据库的六种标蛋白和分子.
• 该模型被训练并调整为预测能力.

主要成果:

• 基于神经指纹的新查模型在识别具有有利药物标结合的分子方面表现出卓越的效率.
• 该模型有效选具有不太有利结合的分子,并保留具有有利结合的分子.
• 尽管使用较小的数据集,但该模型绘制了与当代选算法可比的化学空间.
• 该模型的训练和调整阶段比现有方法快得多.

结论:

• 开发的基于神经指纹的模型代表了机器学习嵌入式计算药物发现的重大进步.
• 这种方法为分子选和命中识别提供了更快,更有效的方法.
• 该模型能够准确预测药物标结合亲和力的能力,为加速治疗开发提供了巨大的潜力.