用XGBoost模型与染色学条件相结合,预测化向金马的保留时间
Xinhao Qu1, Chen Jiang1,2, Mengyi Shan1
1School of Pharmaceutical Sciences, Zhejiang Chinese Medical University, Hangzhou 310053, People's Republic of China.
Journal of chemical information and modeling
|January 9, 2025
概括
现在可以更容易地预测蛋白质溶解向仿真体 (PROTACs) 的保留时间. 一个新的机器学习模型准确地预测PROTACs液态染色学保留时间,帮助药物设计和识别.
科学领域:
- 药用化学 医学化学
- 分析化学 分析化学
- 计算化学计算化学
背景情况:
- 向蛋白溶解的嵌合体 (PROTACs) 是针对以前无法向的蛋白质的异质生物功能分子.
- 由于PROTACs独特的分子结构,准确的结构识别和药物设计具有挑战性.
- 液态染色体质谱 (LC-MS) 对于PROTACs的注释至关重要,但保留时间 (RT) 的预测是困难的.
研究的目的:
- 在液态染色学 (LC) 中开发一个用于准确估计 PROTACs 的保留时间 (RT) 的预测模型.
- 评估各种机器学习算法的性能,用于在PROTAC中进行RT预测.
- 确定影响PROTACs的关键分子和染色学特征RT.
主要方法:
- 从科学文献中编制了一个全面的PROTAC-RT数据集.
- 评估了包括XGBoost,RF,KNN,SVM和FCNN在内的机器学习模型,使用分子指纹,描述符和染色状况描述符 (CC).
- 通过选功能组合和执行超参数调整,优化了XGBoost模型.
主要成果:
- 一个优化的XGBoost模型包含 moe206,路径,电荷描述符和CCs,实现了高预测精度 (R2 = 0.963 ± 0.023,RMSE = 0.896 ± 0.374).
- 该模型在新的染色学分离条件下表现出强的性能,并经过实验验证.
- SHAP分析强调了CC和分子特征的重要性,如键变性,范德瓦尔斯表面积和原子电荷状态.
结论:
- 开发的XGBoost模型为预测PROTACs RT提供了一个快速而精确的方法,大大帮助了它们的注释.
- 这些发现强调了机器学习在加速药物发现和开发中对PROTACs等复杂分子的有用性.
- 分子和染色学特征的整合是PROTACs分析中准确RT预测的关键.
