相关实验视频
Updated: Jun 8, 2025
13:32
High Content Screening in Neurodegenerative Diseases
Published on: January 6, 2012
17.5K
图形神经网络对癌症细胞系的表型虚拟查充满希望
Sachin Vishwakarma1,2, Saiveth Hernandez-Hernandez2, Pedro J Ballester3
1Evotec SAS (France), Toulouse, France.
Biology methods & protocols
|November 6, 2024
概括
深度学习模型,特别是D-MPNN,在癌症药物设计中显示出表型虚拟查 (PVS) 的前景. 在各种化学图书馆进行严格的测试证实了D-MPNNN的存在.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 医学中的人工智能.
背景情况:
- 人工智能 (AI) 正在彻底改变早期药物设计,表型虚拟查 (PVS) 提供了预测癌细胞反应的新方法.
- 以前质疑深度学习在PVS中的有效性的研究受限于小型数据集,不足的指标和不现实的化学多样性.
- 现实世界的虚拟选库具有显著的化学多样性,这对预测模型构成了挑战.
研究的目的:
- 严格评估用于表型虚拟选 (PVS) 的机器学习算法,使用大型多样化的数据集.
- 在各种验证条件下比较不同算法的性能,包括不相似分子分裂.
- 确定最有效的AI方法来预测癌症细胞系中的化合物活性.
主要方法:
- 准备了60个数据集,每组3万-5万个分子,对NCI-60癌细胞系的增长抑制活性进行了测试.
- 评估了PVS的五种机器学习算法,每种算法进行了大约14,440次训练运行.
- 采用随机和不相似的分子分裂验证类型,主要使用命中率作为性能指标.
主要成果:
- 所有评估的模型都面临着与训练数据不相似的测试分子更大的挑战.
- D-MPNN (深度学习分子信息传递神经网络) 算法在两种验证类型中始终优于其他方法.
- 训练和测试分子组之间的化学不相似性显著影响了性能.
结论:
- 基于图形的深度神经网络D-MPNN是开发表型虚拟查预测模型的最合适的算法.
- 使用多种化学库和适当指标进行强有力的评估对于评估药物发现中的AI模型至关重要.
- 未来的PVS工作应该考虑化学多样性,并采用模仿现实世界查挑战的验证策略.
