支持向量机分类模型的应用,用于识别血管内皮生长因子受体抑制剂

科学领域:

• 计算化学和化学信息学
• 癌症生物学和治疗方法
• 机器学习在药物发现中的作用

背景情况:

• 癌症死亡率需要新的治疗策略,瘤中的异常血管生成是关键目标.
• 血管内皮生长因子受体 (VEGFR) 信号传递对瘤血管生成至关重要,使其抑制成为有前途的癌症治疗方法.
• 计算方法为传统的体外查提供了一种具有成本效益和时间效率的替代方案,用于识别潜在的候选药物.

研究的目的:

• 开发和应用机器学习分类模型,以区分强效VEGFR抑制剂和非活性化合物.
• 利用计算方法加速新型抗癌剂的发现.

主要方法:

• 生物化合物来源于BindingDB数据库.
• 基于相关性的特征选择算法用于特征减少,以减轻机器学习模型中的过度拟合.
• 一种包含线性和非线性内核的支持向量机 (SVM) 模型被用于化合物分类.

主要成果:

• SVM模型与基于关联的特征选择和辐射基函数内核相结合,表现出卓越的性能,达到81.8%的准确性 (P=0.008).
• 这种方法在研究中评估的其他特征选择方法中表现出色.
• 确定了两种新的化学结构,它们对VEGFR抑制具有很高的结合亲和力.

结论:

• 在这种情况下,基于相关性的特征选择方法被证明是一个非常准确的特征减少方法.
• 该研究使用计算分类策略成功识别了强大的VEGFR抑制剂.
• 这些发现支持机器学习在加速向癌症治疗方法的识别方面的实用性.