vScreenML v2.0:改进了机器学习分类,用于减少基于结构的虚拟选中的假阳性
Grigorii V Andrianov1,2, Emeline Haroldsen1, John Karanicolas1,3
1Cancer Signaling & Microenvironment Program, Fox Chase Cancer Center, Philadelphia, PA 19111, USA.
International journal of molecular sciences
|November 27, 2024
概括
vScreenML 2.0通过提高匹配率来增强虚拟选. 这个新的Python工具比以前的版本和其他药物发现方法提供了更好的可用性和准确性.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 机器学习 机器学习
背景情况:
- 传统的虚拟选方法往往产生较低的命中率,许多预测的化合物未能与标蛋白相互作用.
- 越来越多地使用按需制作的化学图书馆,需要更准确的虚拟选工具.
- 之前的机器学习工具,如vScreenML显示承诺,但遭受了可用性问题和软件依赖.
研究的目的:
- 介绍vScreenML 2.0,这是vScreenML虚拟选工具的显著改进版本.
- 解决原始vScreenML的局限性,重点是提高可用性和简化实现.
- 提供一种更有效的计算方法来识别潜在的候选药物.
主要方法:
- 开发vScreenML 2.0作为简化的Python实现.
- 与其他广泛使用的虚拟选工具进行比较基准测试.
- 评估匹配发现发现率和准确性.
主要成果:
- 与现有的工具相比,vScreenML 2.0 在虚拟选中表现出了优越的性能.
- 新的实现提供了改进的可用性,并消除了对过时或专有软件的依赖.
- 基准证实了在识别可能与目标蛋白接触的化合物的提高准确性.
结论:
- vScreenML 2.0代表了计算药物发现的重大进步,提供了改进的命中发现效率.
- 该工具的增强可用性和基于Python的实现有助于在虚拟选工作流程中更广泛地采用.
- vScreenML 2.0提供了一种更可靠,更易于使用的方法来加快新型治疗剂的识别.
