ToxTeller:使用四种不同的机器学习方法预测类毒性

科学领域:

• 生物化学 生物化学
• 计算生物学 计算生物学
• 药物发现 药物发现 药物发现

背景情况:

• 类毒性评估对于开发安全有效的基于的治疗方法至关重要.
• 机器学习 (ML) 模型越来越多地用于准确的毒性预测.

研究的目的:

• 开发和验证ToxTeller,这是一种新的工具,提供四种不同的ML预测毒性.
• 通过提高预测准确性和最大限度地减少假阴性来提高有毒的识别.

主要方法:

• 构建了来自SwissProt和ConoServer的有毒和无毒的综合数据集,验证证据水平.
• 使用广泛的SwissProt注释来识别除了关键字搜索之外的其他有毒.
• 开发了四个ML模型 (逻辑回归,SVM,随机森林,XGBoost) 并通过十倍交叉验证优化了特征组合.
• 创建了一个独立的测试集,具有有限的序列相似性与训练数据,以进行可靠的评估.

主要成果:

• 托克斯泰勒在独立测试组上在预测毒性方面表现强.
• 评估并比较ToxTeller的四个预测指标与现有方法的性能.
• 通过严格的交叉验证,确定了优化的功能组合.

结论:

• ToxTeller提供可靠的毒性预测,支持更安全的药物设计.
• 建议优先考虑敏感性而不是马修斯相关系数,以尽量减少错误负的有毒预测.
• 建议采用结合多种模型的超预测方法,以提高治疗性开发的准确性.