机器学习预测药物诱导的肝损伤及其验证失败的药物候选药物在开发中的验证

科学领域:

• 药理学和毒理学 药理学和毒理学
• 计算生物学 计算生物学
• 药物开发 药物开发

背景情况:

• 药物诱导性肝损伤 (DILI) 是药物开发中的一个主要障碍,目前的预测方法对人类有效性有限.
• 现有的毒理学评估往往无法准确预测候选药物的DILI风险.
• 需要新的方法来改善正在开发的药物DILI的预测.

研究的目的:

• 开发和评估机器学习模型,以利用大量人类数据集预测DILI风险.
• 评估DILI预测中随机森林 (RF) 和多层感知子 (MLP) 模型的性能.
• 为了验证这些模型在候选药物上的预测能力,这些候选药物由于肝毒性导致临床试验失败.

主要方法:

• 利用全面的人类数据集来训练机器学习模型.
• 采用十倍交叉验证策略来评估模型性能.
• 使用独立的外部测试集,包括具有已知的肝毒性候选药物,进行验证.

主要成果:

• 随机森林 (RF) 实现了0.631.1的平均交叉验证准确度.
• 多层感知子 (MLP) 在交叉验证过程中显示了0.245的最高马修斯相关系数 (MCC).
• 两种RF和MLP模型都成功地在外部验证集中识别了有毒药物候选者.

结论:

• 在形机器学习模型显示出预测DILI负债的巨大潜力.
• 这些计算工具可以帮助在开发管道的早期确定肝毒药物候选药物.
• 机器学习提供了一个有前途的策略,以提高新药的安全性评估.