通过整体机器学习方法预测非化疗药物诱导的农细胞毒性

科学领域:

• 计算毒理学计算毒理学
• 药物监督 药物监督 药物监督
• 机器学习在药物安全方面的应用

背景情况:

• 非化疗药物的农核细胞瘤是特异性和复杂的不良事件.
• 预测毒理学在预测这种罕见但严重的药物毒性方面面临挑战.
• 准确预测非化疗药物诱导的农细胞瘤 (NCDIA) 对于患者的安全至关重要.

研究的目的:

• 开发和验证用于预测NCDIA毒性的机器学习模型.
• 确定与NCDIA相关的关键分子特征和结构警报.
• 为了评估新批准的FDA药物的NCDIA风险.

主要方法:

• 汇集了759种化合物的数据集,用于NCDIA毒性预测.
• 采用集体机器学习,具有梯度增强决策树 (BBC + GBDT) 的特定平衡包装分类器.
• 使用了组合的描述器集 (DS和RDKit,237个特征) 和特征分析的 permutation 重要性.

主要成果:

• 在外部验证中,BBC+GBDT模型实现了高预测性能 (AUC 0.9164,ACC 83.55%,MCC 0.6095).
• 适用性领域分析证实了该模型的预测可靠性.
• 确定了与NCDIA毒性相关的关键分子特性和16个结构警报.

结论:

• 开发的模型为预测NCDIA毒性提供了一个强大的框架.
• 这种方法有助于在药物开发过程中减轻亚核细胞瘤的风险.
• 促进对新药安全概况进行加强的市场后监测.