预测Pt,Ir,Ru和Rh复合体在光疗治疗治疗窗口中的光吸收,使用机器学习
V Vigna1, T F G G Cova2, A A C C Pais2
1PROMOCS Laboratory, Department of Chemistry and Chemical Technologies, University of Calabria, Arcavacata di Rende (CS), Italy. vincenzo.vigna@unical.it.
Journal of cheminformatics
|January 5, 2025
概括
一个新的机器学习 (ML) 模型准确地预测光疗药物的光吸收. 这种方法加速了用于癌症治疗的新,,和复合物的发现.
科学领域:
- 药用化学 医学化学
- 计算化学计算化学
- 材料科学 材料科学 材料科学
背景情况:
- 有效的光疗需要在600-850nm治疗窗口内吸收光的化合物.
- 预测光吸收的传统方法,如TDDFT,在计算上昂贵.
- 加快发现可光激活的前药物对于推进癌症治疗至关重要.
研究的目的:
- 开发一种机器学习 (ML) 模型,用于预测金属复合物的光吸收特性.
- 为了简化潜在光疗剂的选过程.
- 为了改善药物设计,使有针对性的结构修改成为可能.
主要方法:
- 从Reaxys数据库中编制了9775种金属复合物的数据集.
- 训练了6个ML分类模型,包括随机森林和神经网络.
- 使用了分子描述符和极端梯度增强分类器 (XGBC) 与 AtomPairs2D 描述符.
主要成果:
- 使用AtomPairs2D描述符的XGBC模型实现了最高的预测准确性和稳定性.
- ML方法显著加快了适合光激活化合物的识别.
- 该模型为理解结构-活动关系提供了可解释的结果.
结论:
- 机器学习为预测金属复合物的光疗特性提供了传统方法的高效和快速替代方案.
- 这种基于机器学习的策略促进了光疗的早期药物设计和开发.
- 开发的模型有助于将非活性复合物转化为潜在的活性光疗剂.
