机器学习辅助高通量选抗MRSA化合物的高通量选
概括
一个机器学习模型通过有效选化合物来加速抗微生物药物发现. 这种计算方法增强了高通量查 (HTS) 并识别了潜在的新抗菌剂.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 机器学习应用程序 机器学习应用程序
背景情况:
- 抗微生物药物耐药性 (AMR) 构成一个重大的全球健康挑战,需要新的治疗药物.
- 传统的复合选方法耗时且昂贵.
- 计算方法提供了一个有希望的策略,以加快新抗菌化合物的识别.
研究的目的:
- 开发和验证一种机器学习 (ML) 模型,用于低分子量化合物的in silico选.
- 提高识别潜在抗微生物剂的效率和降低成本.
主要方法:
- 使用了高通量Caenorhabditis elegans甲素耐药黄金葡萄球菌 (MRSA) 液体感染试验的结果.
- 开发了用于复合物优先级和质量控制的ML模型.
- 将模型应用于大量化学化合物的验证集.
主要成果:
- 化合物优先级模型表现出强的性能,AUC为0.795,灵敏度为81%,特异性为70%.
- 该ML模型在测试化合物的30.6%内发现了81%的活性化合物,从而使得成功率增加了2.67倍.
- 重新训练模型发现了之前错过的45种活性化合物中的42种 (93%).
结论:
- 开发的ML方法显著提高了高通量选 (HTS) 的效率.
- 这种方法减少了需要物理选的化合物数量,并识别了可能被忽视的活性分子.
- ML模型使HTS更容易获得,降低了对抗微生物药物发现的进入壁垒.
