开发一种使用基于PU学习的数据增强策略的半监督方法,用于多目标药物发现

科学领域:

• 计算化学是一种计算化学.
• 机器学习在药物发现中的作用
• 药品化学 药品化学 是一个

背景情况:

• 多因素性疾病需要多目标疗法,但它们的临床批准有限.
• 机器学习 (ML) 和深度学习 (DL) 在药物发现中推进了虚拟选.
• 对于ML/DL模型的现有数据增强方法往往会在真正和假正比率之间达成妥协.

研究的目的:

• 调查ML/DL方法,分子表示和数据增强对药物发现的综合影响.
• 引入一个新的半监督学习框架,负增强的PU包装 (NAPU包装) SVM,以解决数据增强的局限性.
• 应用开发的框架来识别多目标导向连接体 (MTDL).

主要方法:

• 评估了支持矢量机器 (SVM) 与最先进的DL方法的性能.
• 开发并实施了NAPU支持的SVM,这是一个使用集体SVM的半监督学习框架.
• 训练有素的分类器在重新采样的袋子上包含积极的,消极的和未标记的数据,以管理错误的阳性率,同时保持高回忆率.
• 应用了NAPU支持的SVM来识别MTDL,专注于候选化合物列表的高回忆率.

主要成果:

• 在某些情况下,SVM的性能与先进的DL方法相美或优于其.
• 随着NAPU的落后,SVM有效地管理了虚假阳性率,同时实现了高回忆率.
• 该方法确定了ALK-EGFR和多巴胺受体的新型MTDL候选者,具有有前途的对接分数和结合模式.
• 案例研究证实了NAPU-backed SVM在识别结构新型MTDL方面的实用性.

结论:

• 支持NAPU的SVM框架为药物发现中的半监督学习提供了一个强大的方法.
• 这种方法对虚拟选有很大的前景,特别是在具有挑战性的MTDL发现领域.
• 开发的技术可以提高识别复杂疾病的新疗法候选者的效率和成功率.