在使用SMILES表示的选抗癌化合物中,识别高质量的引物
Swathik Clarancia Peter1,2, Yogesh Kalakoti2, Durai Sundar2,3,4
1Regional Centre for Biotechnology (RCB), Faridabad, Haryana 121001, India.
ACS omega
|July 22, 2024
概括
本研究介绍了一种使用简化分子输入线输入系统 (SMILES) 预测抗癌药物活性的人工智能 (AI) 模型. 人工智能模型在识别潜在的抗癌化合物方面取得了很高的准确性,有助于药物发现.
科学领域:
- 计算化学和化学信息学
- 人工智能在药物发现中的作用
- 瘤学和制药研究.
背景情况:
- 癌症仍然是一个重大的全球健康挑战,化疗是主要治疗方法.
- 抗癌药物开发中的高失败率归因于安全性和疗效方面的担忧.
- 计算机辅助药物发现 (CADD) 提供了一种有前途的方法,用于识别具有改进配置文件的药物潜在客户.
研究的目的:
- 开发和评估用于预测抗癌活性的人工智能 (AI) 模型.
- 利用像简化分子输入线输入系统 (SMILES) 这样的分子表示来进行属性预测.
- 为了确定与抗癌性质相关的关键分子支架.
主要方法:
- 使用多层感知子 (MLP) 模型对抗癌活性进行分类.
- 使用来自NCI-60和ChEMBL药物数据集的癌症生长抑制数据.
- 从SMILES表示中提取并分析了常见的环和支架模式.
主要成果:
- 开发的MLP模型在区分抗癌与非抗癌化合物方面实现了0.92的分类准确度.
- 从分析的数据集中确定了前8个频繁的支架.
- 基准测试表明,与其他机器学习算法相比,MLP模型的性能优越.
结论:
- 用AI驱动的SMILES表示的分析可以有效地预测抗癌活性.
- 该MLP模型显示了加速识别新型抗癌药物线索的巨大潜力.
- 了解SMILES的分子模式对于设计更安全,更有效的癌症疗法至关重要.
