通过机器学习预测和解释微细胞毒性.
Qing Liu1, Dakuo He1, Mengmeng Fan1
1College of Information Science and Engineering, State Key Laboratory of Synthetical Automation for Process Industries, Northeastern University, Shenyang 110819, P. R. China.
Journal of chemical information and modeling
|July 1, 2024
概括
机器学习准确地预测了用于神经退行性疾病药物发现的植物化合物细胞毒性. 开发的ECFP4-RFE-SVM模型有助于识别安全的化合物和指导分子修改.
科学领域:
- 计算化学是一种计算化学.
- 神经科学是一个神经科学.
- 药物发现 药物发现
背景情况:
- 由微质细胞驱动的神经炎症是神经退行性疾病的关键.
- 植物化合物是有前途的药物候选物,但需要细胞毒性查.
- 高通量选对于早期化合物评估来说是昂贵且低效的.
研究的目的:
- 开发一种机器学习模型,用于预测植物化合物的微细胞毒性.
- 确定用于早期药物查的有效计算方法.
- 在药物发现中提供一种可靠的工具来选择非细胞毒性化合物.
主要方法:
- 使用机器学习 (ML) 构建了一个微质细胞毒性分类器.
- 数据的分割是基于分子的基架.
- 评估了与分子表示相结合的ML方法;通过与支持矢量机器 (RFE-SVC) 集成的递归特征消除来进行特征选择.
- 沙普利增量解释 (SHAP) 用于模型解释.
主要成果:
- 在分类微细胞毒性方面,ECFP4-RFE-SVM模型实现了高精度 (ACC=0.99,BA=0.99,F1=0.99,MCC=0.97).
- SHAP分析确定了与细胞毒性相关的关键子结构.
- 该模型证明了可靠的分类能力和可解释性.
结论:
- ECFP4-RFE-SVM模型是预测微质细胞毒性的可靠工具.
- SHAP分析为细胞毒性预测提供了洞察力,并指导了分子修改.
- 这种计算方法增强了神经退行性疾病的早期药物查.


