共识 药物发现的整体虚拟查:一种新的机器学习模型方法
Said Moshawih1,2, Zhen Hui Bu3, Hui Poh Goh4
1PAPRSB Institute of Health Sciences, Universiti Brunei Darussalam, Gadong, Brunei Darussalam. saeedmomo@hotmail.com.
Journal of cheminformatics
|May 28, 2024
概括
这项研究引入了一种新的虚拟查管道,结合了药物发现的多种方法. 新的方法,使用共识得分和名为"w_new"的排名指标,有效地识别出有希望的热门组合.
科学领域:
- 计算化学是一种计算化学.
- 化学信息学 化学信息学
- 药物发现 药物发现
背景情况:
- 虚拟选对于在药物发现中识别热门化合物至关重要.
- 现有的方法往往在准确排序潜在药物候选者的过程中存在局限性.
研究的目的:
- 开发和验证一个新的虚拟选管道,整合多种已建立的方法.
- 引入一个新的指标",w_new",用于在虚拟选中对机器学习模型进行排名.
- 为了提高击中化合物识别的准确性和效率.
主要方法:
- 开发了一个管道,结合了定量结构-活动关系 (QSAR),Pharmacophore,对接和2D形状相似度评分.
- 机器学习模型被采用并使用新的"w_new"公式进行排名.
- 达成共识的评分是个别方法的综合结果.
- 对各种蛋白质标进行了丰富性研究和外部验证.
主要成果:
- 达成共识的评分方法在PPARG (AUC 0.90) 和DPP4 (AUC 0.84) 等特定目标上表现优于个别方法.
- 管道始终优先考虑具有更高实验PIC50值的化合物.
- 外部验证显示中等到高性能,R2值良好.
结论:
- 新的共识评分工作流程显著改善了药物发现中的成功化合物识别.
- 多种选方法的整合和"w_new"指标为虚拟选提供了一个强大的方法.
- 这一整体战略提高了确定最佳虚拟选方法的可靠性.


