协同GA-XGBoost和QSAR建模:分解HDAC1抑制剂中的活性助剂
Rahul D Jawarkar1, Suraj Mali2, Prashant K Deshmukh3
1Department of Medicinal Chemistry, Dr. Rajendra Gode Institute of Pharmacy, University-Mardi Road, Ghatkheda Amravati, 444602, (M.S.) India.
Journal of molecular graphics & modelling
|December 27, 2024
概括
这项研究结合了极端梯度增强和沙普利值来分析1274个分子中的HDAC1抑制活性. 可解释的AI模型识别了药物开发的关键分子特征.
科学领域:
- 计算化学的计算化学
- 人工智能的人工智能
- 药物发现 药物发现 药物发现
背景情况:
- 基因组脱乙酶1 (HDAC1) 是癌症治疗的目标.
- 定量结构-活性关系 (QSAR) 模型对于预测药物疗效至关重要.
- 可解释的人工智能 (XAI) 提高了复杂模型的可解释性.
研究的目的:
- 开发一个可解释的QSAR模型来预测HDAC1抑制活性.
- 通过使用XAI.确定影响HDAC1抑制的关键分子描述因子.
- 为了利用遗传算法和极端梯度提升药物发现.
主要方法:
- 应用极端梯度提升 (XGBoost) 用于预测建模.
- 使用Shapley添加式解释 (SHAP) 来实现模型的解释性.
- 采用遗传算法来识别药用特征和分子描述符.
- 分析了1274个实验报告的HDAC1抑制分子.
主要成果:
- 实现了强大的统计性能,其中R2tr=0.8797和Q2F1=0.9459.
- 确定了重要的分子描述物,包括与和混合碳原子 (sp2,sp3) 相关的分子描述物.
- 该GA-XGBoost模型展示了易于理解和准确的预测.
- 反事实分析证实了已识别的描述因子对HDAC1抑制的影响.
结论:
- 可解释的人工智能,特别是GA-XGBoost模型,对于药物发现是有效的.
- 该模型成功地确定了抑制HDAC1的关键结构特征.
- 这种方法可以加快候选药物的识别和优化.
