SIGMAP:一种可解释的人工智能工具,用于SIGMA-1受体亲和力预测
Maria Cristina Lomuscio1, Nicola Corriero2, Vittoria Nanna2
1Dipartimento di Medicina di Precisione e Rigenerativa e Area Jonica (DiMePRe-J), Università degli Studi di Bari Aldo Moro Piazza Giulio Cesare, 11, Policlinico 70124 Bari Italy.
RSC medicinal chemistry
|December 2, 2024
概括
开发用于预测西格玛-1受体 (S1R) 调节器的计算工具对于治疗神经退行性疾病和癌症至关重要. 一种新的机器学习模型实现了高精度,有助于药物发现.
科学领域:
- 计算化学和化学信息学
- 药物发现和药物化学
- 药理学中的人工智能
背景情况:
- 西格玛-1受体 (S1R) 调节器对神经退行,癌症和COVID-19等病毒感染具有治疗潜力.
- 精确的S1R亲和力的*in silico*预测对于高效的药物设计至关重要.
- 现有的方法需要改进,以便可靠地识别S1R调节器.
研究的目的:
- 开发和验证准确的计算模型来预测S1R调节器活动.
- 为药物化学家创建一个用户友好的平台,以帮助合理的药物设计.
- 利用可解释AI (XAI) 来更好地理解预测模型决策.
主要方法:
- 从ChEMBL v33.3.中提取了25000多个S1R小分子生物活性数据点的精选数据集.
- 25个分类器被训练使用五个不同的分子指纹和各种机器学习算法.
- 应用了可解释的AI技术,包括SHAP和对比解释,以解释模型预测.
主要成果:
- 大多数开发的分类器都表现出良好的预测性能.
- 使用摩根指纹的支向量机器,表现最好的模型实现了0.90.9的AUC.
- 开发了一个用户友好的网络平台,SIGMAP,以提供访问最好的预测模型.
结论:
- 开发的计算模型,特别是表现最好的SVM模型,在预测S1R亲和力方面表现出很高的准确性.
- 结合XAI的SIGMAP平台为药物化学家提供了一个有价值的工具,用于合理设计新型S1R调节器.
- 这种方法有助于发现S1R相关疾病的新疗法.
