预测基于化学结构的化合物的抗氧化活性,使用机器学习方法

科学领域:

• 计算化学和化学信息学
• 药物的发现和开发.
• 生物化学和分子生物学.

背景情况:

• 氧化应激与慢性疾病有关,需要有效的抗氧化剂识别.
• 传统的抗氧化剂活性测试是耗时且资源密集的.
• 预测建模为选潜在抗氧化剂提供了更快的替代方案.

研究的目的:

• 评估机器学习 (ML) 算法在预测抗氧化剂活性方面的有效性.
• 根据分子结构确定最准确的ML模型来预测基于分子结构的抗氧化特性.
• 使用外部数据集评估开发的ML模型的通用性.

主要方法:

• 训练了五个ML算法:支持矢量机 (SVM),物流回归 (LR),XGBoost,随机森林 (RF) 和深度神经网络 (DNN).
• 利用了超过1900种具有实验确定抗氧化活性的化合物的数据集进行培训和验证.
• 使用来自BATMAN数据库的天然产品数据进行外部验证.

主要成果:

• 随机森林 (RF) 和支持矢量机 (SVM) 模型表现出卓越的性能,精度超过0.9.
• 这些模型有效地区分了活性和非活性化合物,即使是具有高度结构相似性的化合物.
• 外部验证证实了RF和SVM模型的强大通用性.

结论:

• 机器学习模型,特别是RF和SVM,是预测抗氧化活性的强大工具.
• 基于ML的方法可以显著加快新型抗氧化剂候选者的识别.
• 这种方法有可能简化针对氧化应激的治疗干预措施的开发.