AISMPred:一种用于预测抗炎小分子的机器学习方法
Subathra Selvam1, Priya Dharshini Balaji1, Honglae Sohn2
1Computational Biology Laboratory, Department of Genetic Engineering, School of Bioengineering, SRM Institute of Science and Technology, Kattankulathur, Chengalpattu 603203, Tamil Nadu, India.
Pharmaceuticals (Basel, Switzerland)
|January 8, 2025
概括
一种新的计算方法,AISMPred,有效地选抗炎小分子 (AISM). 这种方法有助于通过准确识别潜在的AISM来发现新的候选药物,加速药物发现过程.
科学领域:
- 计算化学和化学信息学
- 药理学和药物发现
- 机器学习在药物化学中的应用.
背景情况:
- 炎症是一种关键的生物反应,但慢性炎症驱动疾病.
- 类疗法提供了特异性,但面临着发展挑战.
- 由于稳定性和生物可用性,小分子对抗炎药物开发具有前景.
研究的目的:
- 开发和验证一种计算方法,AISMPred,用于分类抗炎小分子 (AISM) 和非AISM.
- 提高识别潜在抗炎药物候选药物的效率和降低成本.
主要方法:
- 1750个AISM和非AISM的数据集与PubChem.chem的IC50值进行了策划.
- 使用PADEL和Mordred计算分子描述符,然后将其结合成混合特征集.
- 使用L1规范化的支持向量分类器 (SVC-L1) 进行特征选择,并训练了五个ML分类器 (RF,ET,KNN,LR,Ensemble).
主要成果:
- 开发了15个机器学习 (ML) 模型,使用2D,指纹 (FP) 和混合功能集.
- 使用混合功能的额外树木 (ET) 模型实现了最高的性能.
- 在一个独立的测试组中,表现最好的ET模型显示了92%的准确性和0.97的AUC.
结论:
- AISMPred提供了一种有效的计算策略,用于选抗炎小分子.
- 这种方法有可能显著影响和加速药物发现和设计管道.
- 这项研究强调了ML在识别炎症状况的新疗法中对ML的有用性.
