基于机器学习的QSAR模型的评估,用于肺表面活性抑制剂的分类
James Y Liu1, Joshua Peeples2, Christie M Sayes1
1Department of Environmental Science, Baylor University, Waco, Texas 76798-7266, United States.
Environment & health (Washington, D.C.)
|December 26, 2024
概括
我们开发了机器学习模型,以预测吸入化学物质对肺表面活性剂的抑制. 多层感知子模型实现了96%的准确性,为肺表面活性剂功能障碍提供了高效的危险选.
科学领域:
- 毒理学和药理学 毒理学和药理学
- 计算化学计算化学
- 生物物理学的生物物理.
背景情况:
- 吸入的化学物质可以破坏肺表面活性剂的功能,这是一个重要的蛋白质脂质复合体.
- 肺表面活性剂抑制的机制是复杂的,涉及结构和剂量,复杂的危害识别.
- 准确预测化学物质对肺表面活性剂的影响对于风险评估至关重要.
研究的目的:
- 开发和评估用于预测肺表面活性剂抑制的定量结构-活性关系 (QSAR) 模型.
- 为此预测任务确定有效的机器学习算法.
- 为有效选影响肺表面活性剂的化学品危险性建立概念验证.
主要方法:
- 采用各种机器学习算法:逻辑回归,支持向量机 (SVM),随机森林,梯度增强树,先前数据配套网络和多层感知子 (MLP).
- 经过训练和验证的模型使用化学结构数据及其对肺表面活性剂的抑制作用.
- 使用准确性和F1分数等指标评估模型性能.
主要成果:
- 多层感知子 (MLP) 模型表现出卓越的性能,达到96%的准确性和F1得分为0.97.
- 支持向量机 (SVM) 和后勤回归也显示出强大的预测能力,计算需求减少.
- 开发的QSAR模型为预测肺表面活性剂抑制提供了一个强大的框架.
结论:
- 机器学习,特别是MLP,在预测肺表面活性剂抑制方面非常有效.
- QSAR建模为针对肺表面活性剂的化学品的危险选提供了一种有效的方法.
- 这项研究验证了一种计算策略,用于评估与肺表面活性剂功能障碍相关的新兴风险.
