通过机器学习识别针对血小板缺血的活性分子
Youyou Yang1, Wenli Gan1, Lei Lin2
1Department of Pharmacology, School of Pharmacy, Southwest Medical University, Luzhou 646000, China.
Journal of chemical information and modeling
|August 7, 2024
概括
机器学习模型可以通过分析分子结构来快速识别潜在的血小板缺血候选药物. 这项研究开发了预测模型,以加速发现低血小板计数的新疗法.
科学领域:
- 计算化学是一种计算化学.
- 药理学 药理学是指药理学的学科.
- 生物信息学是一种生物信息学.
背景情况:
- 血栓细胞衰减,通常与血栓形成素 (TPO) 缺乏有关,具有有限的治疗选择和严重的健康风险.
- 传统的药物查方法在发现新型血小板缺血治疗方面效率低下.
- 机器学习 (ML) 提供了一种有前途的方法,通过探索化学结构来加速候选药物的发现.
研究的目的:
- 用ML计算模拟药物诱导的巨核细胞分化和血小板生产.
- 确定与造血活动相关的关键分子特征和结构特征.
- 通过选发现新型治疗药物用于血栓细胞衰减.
主要方法:
- 通过整合具有14个分子特征的8个算法,开发了112个ML分类器.
- 使用5倍交叉验证和外部验证进行模型性能评估.
- 采用沙普利增量解释 (SHAP) 来进行特征重要性分析和集成预测的整体策略.
主要成果:
- 最顶级的ML模型实现了高精度 (81.6%的交叉验证,83.1%的外部验证) 和MCC (0.589,0.642).
- SHAP分析提供了对分子性质的定量见解,从而提高了预测准确度.
- 组合模型成功地预测了来自传统中医和药物重定向数据库的潜在血小板缺血活性分子.
结论:
- ML模型可以有效地预测血栓形成诱导体,有助于发现血栓塞维症治疗方法.
- 计算建模为血液生成剂的结构-活性关系提供了宝贵的见解.
- 这种方法加快了新药候选药物的识别,用于治疗诸如血小板缺血等具有挑战性的疾病.
