使用可解释的机器学习和形态分析分析细胞绘画数据来识别 lysosomotropism.

科学领域:

• 药理学和药物发现
• 计算化学计算化学
• 细胞生物学 细胞生物学

背景情况:

• lysosomotropism 是一种具有广泛药物相关性的关键药物特性,影响具有多种结构和点的化合物.
• 虽然脂性和基本性通常与 lysosomotropism 相关,但并非所有具有这些特性的化合物都表现出它.
• 精确预测 lysosomotropism 对于优化药物开发和理解药物向相互作用至关重要.

研究的目的:

• 建立细胞涂漆试验 (CPA) 作为识别 lysosomotropic 化合物的可靠方法.
• 为了研究 lysosomotropism 的物理化学驱动因素,超出了简单的脂性和基本性.
• 利用机器学习来预测和理解 lysosomotropism 的分子基础.

主要方法:

• 通过细胞绘画试验 (CPA) 利用形态分析来确定表型化合物.
• 应用匹配分子对分析 (MMPA) 来识别关键结构决定因素.
• 采用可解释的机器学习 (XML) 模型来分析化合物特性和预测 lysosomotropism.

主要成果:

• 发现只有35%的具有预期物理化学性质的化合物表现出溶解性质.
• 匹配的分子对分析 (MMPA) 没有揭示负责 lysosomotropism 的特定亚结构.
• 可解释的机器学习 (XML) 突出了较高的脂性,基本性,分子量和较低的拓极表面积作为关键诱导因素.

结论:

• 细胞染色试验 (CPA) 作为一种强大的替代品,用于识别 lysosomotropism.
• lysosomotropism 是一个复杂的现象,受物理化学性质的组合的影响,而不仅仅是脂性和基本性.
• 可解释的机器学习 (XML) 提供了对 lysosomotropism 的分子驱动因素的宝贵见解,有助于药物设计.