提升Sinh Cosh优化器和算术优化算法,以改进对印罗基诺林衍生物生物活动的预测

科学领域:

• 药用化学 医学化学
• 计算化学计算化学
• 药物发现 药物发现 药物发现

背景情况:

• 定量结构活动关系 (QSAR) 模型对于药物发现和危险评估至关重要.
• 现有的QSAR模型需要改进,以准确预测生物活动.
• 印罗基诺林衍生物显示出作为抗癌剂的潜力.

研究的目的:

• 提高QSAR模型对各种癌症细胞系的印罗基诺林衍生物的预测能力.
• 开发一种改进的机器学习 (ML) 技术,包括特征选择.
• 评估拟议模型在预测抗癌活性方面的有效性.

主要方法:

• 一种经过修改的机器学习技术,结合了算术优化算法 (AOA) 和 Sinh Cosh Optimizer (SCHO).
• 使用AOA运营商来提高SCHO的性能,并作为特征选择机制.
• 该模型使用对人类癌细胞系 (MV4-11,HCT116,A549) 进行印罗基诺林衍生物数据集的训练和验证.

主要成果:

• 拟议的模型实现了低根平均平方误差 (RMSE) 值:MV4-11的0.6822,HCT116的0.6787和A549细胞系的0.4411/0.4477.
• 该模型在预测印罗基诺林衍生物的pIC50值方面表现出高准确度.
• 与既有方法的比较表明,建议模型的性能优越.

结论:

• 开发的ML增强的QSAR模型准确地预测了印罗基诺林衍生物的抗癌活性.
• 这种方法在识别新型抗癌药物候选人方面具有重大前景.
• 这项研究验证了印罗基诺林衍生物的生物应用,作为对人类癌症的潜在治疗方法.