铁-DNA二酶1 (Tdp1) 抑制剂的化学信息识别:对基于SMILES的监督机器学习模型进行比较研究

科学领域:

• 化学信息学和计算化学
• 机器学习在药物发现中的作用
• 瘤学研究研究

背景情况:

• 铁-DNA二酶1 (Tdp1) 对于DNA修复至关重要,其抑制可以阻碍癌细胞分裂.
• 针对Tdp1提供了一个潜在的策略,以提高现有的化疗疗效率.
• 开发Tdp1抑制剂是推动瘤学精准医学发展的关键.

研究的目的:

• 利用机器学习开发一种用于预测Tdp1抑制剂的计算方法.
• 使用简化分子输入线输入系统 (SMILES) 进行化学表示,克服3D结构的局限性.
• 为了确定具有潜在Tdp1抑制活性的新型化学实体.

主要方法:

• 一个Tdp1抑制剂的共识数据集是从Kaggle整理出来的.
• 训练了各种机器学习算法,包括深度神经网络和组合方法.
• 简化分子输入线输入系统 (SMILES) 字符串被转换为化学描述符,使用RDKit作为模型输入.

主要成果:

• 随机森林模型,一个合体方法,在13个优化模型中表现最好.
• 随机森林模型在0.7421.1的曲线下实现了接收器操作特征面积.
• 关键性能指标包括0.6815的精度和0.6595.5的F1得分.

结论:

• 组合方法,特别是随机森林,对于使用SMILES数据对Tdp1抑制剂进行分类是有效的.
• 这种机器学习方法有助于发现Tdp1抑制剂.
• 识别Tdp1抑制剂可以导致新的癌症治疗方案和个性化疗法.