基于质谱的先进机器学习用于预测传统中医药的毒性
Chen Jia1, Xiaofang Li1, Song Hu1
1Institute of Environmental Research at Greater Bay Area, Key Laboratory for Water Quality and Conservation of the Pearl River Delta, Ministry of Education, Guangzhou University, Guangzhou 510006, China.
Analytical chemistry
|December 20, 2024
概括
现在可以使用电子电离质谱 (EI-MS) 的先进分析数据来预测传统中医药的毒性. 这种机器学习方法可以识别有毒成分,并指导更安全的治疗使用.
科学领域:
- 药理学 药理学是指药理学的学科.
- 毒理学 毒理学 毒理学
- 计算化学的计算化学
背景情况:
- 传统中医 (TCM) 提供健康益处,但由于复杂的化学特征,具有毒理学风险.
- 传统的定量结构-活性关系 (QSAR) 模型与TCM化合物的复杂性作斗争.
- 解决TCM毒性对于最大限度地提高治疗疗效和患者安全至关重要.
研究的目的:
- 利用先进的分析描述器开发一种用于预测TCM毒性的新方法.
- 在TCM配方中识别特定的有毒成分.
- 探索TCM诱导的毒性背后的分子机制.
主要方法:
- 从电子电离质谱 (EI-MS) 数据中获得的分析描述符与TCM毒性的相关性.
- 采用可解释的机器学习模型用于毒性预测和组件识别.
- 使用分子动力学 (MD) 模拟来研究有毒成分和蛋白质标 (例如,细胞染色体P450 3A4) 之间的相互作用.
主要成果:
- 一个最佳分类模型在预测TCM毒性方面实现了超过0.74的平衡准确性.
- 确定了特定的有毒成分,包括13-hexyloxacyclotridec-10-en-2-one和loliolide.
- MD模拟提供了有关有毒化合物与关键蛋白质 (如CYP3A4.4) 相互作用的见解.
结论:
- 基于分析描述符的机器学习为预测TCM毒性提供了强大的方法.
- 这种方法增强了对TCM毒理学概况的理解,使得临床应用更安全.
- 这些发现支持使用这种方法来预测复杂的现实混合物的毒性.
