FetoML:基于机器学习方法的药物的胎儿毒性可解释预测
Myeonghyeon Jeong1, Sunyong Yoo1
1Department of Intelligent Electronics and Computer Engineering, Chonnam National University, Gwangju, 61186, Republic of Korea.
Molecular informatics
|June 8, 2024
概括
这项研究开发了先进的机器学习模型来预测药物胎儿毒性,为已识别的风险提供了关键的解释. 这些工具旨在改善怀孕期间药物的安全性评估.
科学领域:
- 药理学 药理学是指药理学的学科.
- 毒理学 毒理学 毒理学
- 计算化学计算化学
背景情况:
- 怀孕期间使用药物对胎儿发育构成风险.
- 目前评估药物胎儿毒性的方法面临道德,时间和成本方面的挑战.
- 越来越需要高效的in silico模型来预测胎儿毒性.
研究的目的:
- 开发和验证用于预测药物胎儿毒性的机器学习模型.
- 为推动胎儿毒性预测的特征提供可解释的见解.
- 加强对孕妇和胎儿药物的安全评估.
主要方法:
- 机器学习模型的构建用于胎儿毒性预测.
- 应用换特征的重要性,以确定一般预测特征.
- 利用注意力机制来分析药物特定的胎儿毒性相关特征.
- 使用AUROC和AUPR指标验证模型性能.
- 文献审查以确认已识别的特征的生物相关性.
主要成果:
- 机器学习模型显示出对胎儿毒性的高预测性能 (AUROC: 0.854-0.974,AUPR: 0.890-0.975).
- 突变特征的重要性确定了影响一般胎儿毒性预测的关键特征.
- 注意力机制突出了与单个药物的胎儿毒性相关的特定分子亚结构.
- 文献审查支持确定预测特征的生物相关性.
结论:
- 开发的机器学习模型准确地预测药物对胎儿的毒性,并提供可解释的解释.
- 这些模型可以帮助评估新药和候选药物的胎儿毒性风险.
- 这种方法为怀孕期间更安全的药物开发提供了宝贵的见解.
更多相关视频
08:08Determination of the Transport Rate of Xenobiotics and Nanomaterials Across the Placenta using the ex vivo Human Placental Perfusion Model
Published on: June 18, 2013
17.3K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
