机器学习增强了使用MultiFlow® DNA损伤试验的基因毒性评估

科学领域:

• 药理学和毒理学 药理学和毒理学
• 计算化学计算化学
• 生物技术是生物技术.

背景情况:

• 基因毒性测试对于药物安全性评估至关重要.
• 诸如MultiFlow® DNA损伤测试 (MFA) 等机械测试可以提供对DNA损伤途径的见解.
• 机器学习 (ML) 在提高基因毒剂作用模式 (MoA) 的分类方面显示出潜力.

研究的目的:

• 开发和验证ML模型以使用MFA数据预测基因毒性的MOA.
• 提高药品基因毒性风险评估的准确性和可靠性.
• 创建一个用户友好的工具来分析MFA数据和MoA预测.

主要方法:

• 将R包"caret"中的最先进的ML算法应用于MFA数据.
• 从in silico模型中整合分子描述符,以提高模型性能.
• 使用R包"shiny"开发图形用户界面,用于数据可视化和分析.
• 对培训,内部测试和外部测试数据集的模型的验证.

主要成果:

• 最好的ML模型在训练数据集上达到95%的准确性,并在测试数据集中的17个案例中16个案例中正确预测了基因毒性.
• 整合分子描述符提高了性能,特别是在复杂的药物病例中.
• 对49种化合物的外部验证表明,模型准确度高达92%.
• 开发了一个用户友好的图形界面,以促进广泛的实验室使用.

结论:

• ML模型,当量身定制时,可以显著提高基因毒性测试中MoA确定精度.
• 开发的方法为基因毒性评估提供了可靠的方法,有助于制药安全评估.
• 整合MoA预测可以作为监管性基因毒性评估工作流程中宝贵的证据.