QSARtuna:用于药物设计中的分子性质预测的自动化QSAR建模平台

科学领域:

• 计算化学是一种计算化学.
• 机器学习在药物发现中的作用
• 化学信息学 化学信息学

背景情况:

• 机器学习 (ML) 和深度学习 (DL) 在药物设计周期中越来越多地用于预测分子性质.
• 现有的工具缺乏对关键方面的支持,例如不确定性估计和模型可解释性.
• 优化,评估和部署分子性质的ML模型是复杂的,因为有许多表示和算法.

研究的目的:

• 介绍QSARtuna,一个用于分子性质预测建模的自动化管道.
• 为了使分子表示和ML模型的有效和自动比较.
• 将不确定性量化和可解释性纳入ML模型开发过程.

主要方法:

• 开发了QSARtuna,这是一个基于Python的管道,使用Optuna,Scikit-learn,RDKit和ChemProp.
• 该框架促进了各种分子表示和ML算法的自动比较.
• 包含模型不确定性量化和可解释性的设计原则.

主要成果:

• 证明了QSARtuna在预测分子性质,反应/反应性和DNA编码库丰富方面的能力.
• 为高效和自动化的ML模型开发和比较提供了一个框架.
• 该软件允许对预测模型进行可靠的评估和部署.

结论:

• QSARtuna解决了在药物发现中对自动化ML建模工具的未满足需求.
• 该管道促进了分子性质建模的最佳实践,包括不确定性和可解释性.
• 免费可用的代码旨在刺激创新,并促进化学自动化ML的教育.