数据策划和机器学习的自动化工作流程,以开发定量结构-活动关系.
1Laboratory of Environmental Chemistry and Toxicology, Department of Environmental Health Sciences, Istituto di Ricerche Farmacologiche Mario Negri IRCCS, Milan, Italy. domenico.gadaleta@marionegri.it.
Methods in molecular biology (Clifton, N.J.)
|September 23, 2024
概括
本研究介绍了两个用户友好的工作流程,用于构建定量结构-活动关系 (QSAR) 模型. 这些工具简化了数据检索,并使用机器学习进行准确的化学预测.
科学领域:
- 计算化学的计算化学
- 化学信息学是一种化学信息学.
- 机器学习 机器学习
背景情况:
- 机器学习的进步和大型化学数据集推动了对计算化学工具的兴趣.
- 定量结构-活性关系 (QSAR) 建模对于药物发现和化学研究至关重要.
研究的目的:
- 为开发QSAR模型提出一个标准程序.
- 为QSAR模型开发和应用实施两个可访问和自由使用的工作流程.
主要方法:
- 工作流程1:从网络中检索数据 (SMILES),数据验证和化学信息学的策划.
- 工作流2:实施六个机器学习算法用于分类QSAR模型开发.
- 包括化学描述器计算,超参数调整和处理数据不平衡的方法.
主要成果:
- 在KNIME中为QSAR模型开发开发开发了两个集成的工作流.
- 使用户能够有效地检索,整理和分析化学数据.
- 使用各种机器学习技术,促进了预测QSAR模型的创建.
结论:
- 开发的KNIME工作流程为计算科学家提供了宝贵的工具.
- 这些工作流程为研究人员提供了QSAR建模的直观介绍.
- 这些工具支持对外部化学化合物活动的预测.


