iDCNNPred:一种可解释的深度学习模型,用于虚拟查和识别针对三阴性乳腺癌的PI3Ka抑制剂
Ravishankar Jaiswal1,2, Girdhar Bhati1, Shakil Ahmed1
1Biochemistry and Structural Biology Division, CSIR-Central Drug Research Institute, Sector 10, Jankipuram Extension, Sitapur Road, Lucknow, 226031, India.
Molecular diversity
|December 8, 2024
概括
研究人员开发了一个可解释的深卷积神经网络 (iDCNNPred),以识别三阴性乳腺癌 (TNBC) 的新型PI3Ka抑制剂. 这种人工智能方法成功地确定了四种强大的候选药物,并为进一步开发提供了新的支架.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- 三重阴性乳腺癌 (TNBC) 是具有侵略性的,缺乏向治疗.
- PI3K/AKT通路,特别是PI3Ka异型,在TNBC中经常过度激活,导致瘤生长.
- 开发新的PI3Ka抑制剂对于有效的TNBC治疗至关重要.
研究的目的:
- 开发和验证可解释的深卷积神经网络预测 (iDCNNPred) 系统,用于分类生物活性和识别潜在的PI3Ka抑制剂.
- 选化学图书馆并识别具有潜在治疗价值的新型热分子,以对抗TNBC.
- 通过可视化技术来提高模型的可解释性和透明度.
主要方法:
- 使用贝叶斯优化构建和优化Custom-DCNN模型.
- 使用开发的iDCNNPred系统对梅布里奇化学图书馆进行选.
- 分子对接用于蛋白质 - 配体相互作用分析.
- 在体外PI3K抑制测定用于生物验证.
- 应用Grad-CAM用于模型预测解释和可视化.
主要成果:
- 与预先训练的模型相比,Custom-DCNN模型表现出优异的性能,复杂性降低.
- 通过图书馆选和分子对接,确定了12个有前途的打击分子.
- 通过体外研究验证了具有独特结构部分的4种强大的PI3Ka抑制剂.
- 格拉德-CAM可视化增强了iDCNNPred系统的解释性和稳定性.
结论:
- 该iDCNNPred系统是一个有效的工具,用于识别新型PI3Ka抑制剂TNBC.
- 已识别的强效分子代表了优化药物化学的有希望的起始支架.
- 这项研究强调了可解释人工智能的重要性,它有助于在TNBC等复杂疾病中发现药物.
