利用边界数据点来分类分子功率的改善
Zachary Fralish1, Paul Skaluba1, Daniel Reker1
1Department of Biomedical Engineering, Duke University Durham NC 27708 USA daniel.reker@duke.edu.
我们开发了一种新的分子配对方法,使用分类来预测药物的效力. 这种方法改进了对有限抑制数据的传统回归方法,有助于药物发现.
科学领域:
- 计算化学和化学信息学
- 机器学习在药物发现中的作用
- 定量结构-活动关系 (QSAR) 研究研究.
背景情况:
- 分子机器学习 (ML) 模型擅长预测候选药物的效力.
- 传统的回归算法与有限的抑制数据 (例如IC50值) 斗争.
- 这种限制阻碍了优化和分子发现过程.
研究的目的:
- 开发一种新的计算方法,用于处理药物发现中的有限抑制数据.
- 引入一个分子配对策略,将回归问题转化为分类任务.
- 评估这种新方法的性能与传统方法相比.
主要方法:
- 开发了一种分子配对方法来创建分类任务:预测两个分子中哪一个更强大.
- 使用已建立的ML算法,如XGBoost和Chemprop用于新的分类任务 (DeltaClassifiers).
- 在230个ChEMBL IC50数据集中验证了该方法,将性能与传统回归模型进行比较.
主要成果:
- 基于树的DeltaClassifiers和基于神经网络的DeltaClassifiers在分类分子强度增益方面表现出比回归方法更好的准确性.
- 基于Chemprop的深度DeltaClassifier显示了对配对分子的优异性能,无论支架的相似性如何.
- 这突显了分类方法对分子优化和脚手架跳跃的有效性.
结论:
- 分子配对分类方法有效地解决了边界抑制数据的传统回归的局限性.
- 德尔塔分类器为增强分子功率预测和指导药物发现管道提供了一个有希望的替代方案.
- 这种方法显示出加速识别强效药物候选者的巨大潜力,并使架跳跃策略成为可能.
更多相关视频
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
09:21Author Spotlight: Generating Neuronal Phenotypic Profiles - A Protocol to Culture and Image Human Midbrain Dopaminergic Neurons
Published on: July 7, 2023
相关概念视频
The Equilibrium Binding Constant and Binding Strength
Drug Discovery: Overview
Molecular Models
Dose-Response Relationship: Overview
Structure-Activity Relationships and Drug Design
SAR studies the intricate relationship between a drug's chemical structure and biological activity. It focuses on understanding how modifications to a drug's structure can influence...
Dose-Response Relationship: Potency and Efficacy
