半监督学习通过挖掘大型未标记的小分子数据集来提高hERG,Nav1.5和Cav1.2心脏离子通道毒性预测

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.
• 机器学习 机器学习

背景情况:

• 预测药物诱导的毒性对于药物开发中的患者安全至关重要.
• 有限的注释性毒性数据阻碍了传统机器学习模型的性能.
• 心脏毒性是一个主要问题,特别是影响心脏离子通道,如hERG,Nav1.5和Cav1.2.2.

研究的目的:

• 通过使用大型未标记的小分子数据集来增强药物心脏毒性预测模型.
• 改善三种关键心脏离子通道目标的预测性能.
• 开发一种可访问的工具,用于预测和理解小分子心脏毒性.

主要方法:

• 采用半监督学习技术来训练分类模型.
• 使用了广泛的ChEMBL数据库 (大约. 200万个小分子).
• 开发了一个跨平台的图形用户界面 (GUI) 用于用户友好的预测.

主要成果:

• 在hERG,Nav1.5和Cav1.2.2的各种测试数据集上预测心脏毒性方面取得了显著的性能改进.
• 选了ChEMBL数据库和FDA批准的药物,识别了具有潜在心脏离子通道活性的化合物.
• 成功开发并发布了一个开源的GUI工具 (CToxPred2),以实现更广泛的可访问性.

结论:

• 半监督学习有效地解决了药物毒性预测中的数据稀缺性挑战.
• 开发的模型和工具提高了在药物设计的早期识别潜在心脏毒性化合物的能力.
• CToxPred2工具的开源可访问性促进了药物安全的更广泛采用和研究.