使用KNIME进行COX-2抑制剂预测:基于机器学习的无码自动化虚拟查工作流程
Powsali Ghosh1, Ashok Kumar1, Sushil Kumar Singh1
1Pharmaceutical Chemistry Research Laboratory 1, Department of Pharmaceutical Engineering & Technology, Indian Institute of Technology (Banaras Hindu University), Varanasi, India.
这项研究提出了一个自动化的KNIME工作流来预测循环氧化酶-2 (COX-2) 抑制剂,这对于治疗癌症和阿尔茨海默病等与炎症相关的疾病至关重要. 这种可访问的工具不需要编码,可以快速发现药物.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 生物信息学是一种生物信息学.
背景情况:
- 循环氧化酶-2 (COX-2) 的过度表达与癌症,关节炎和阿尔茨海默病 (AD) 等疾病的炎症有关.
- 在 silico 虚拟查有助于药物发现,但需要机器学习专业知识来准确的预测模型.
- 开发用户友好的工具对于扩大计算方法在识别潜在药物候选者的应用至关重要.
研究的目的:
- 开发一种自动化的KNIME工作流程,用于预测新型分子的COX-2抑制潜力.
- 使用多个机器学习算法和分子描述器构建一个强大的集合模型.
- 为预测COX-2抑制剂提供可访问的工具,而不需要编码或机器学习知识.
主要方法:
- 创建了一个自动化的KNIME工作流程,用于预测COX-2抑制剂.
- 使用逻辑回归,K-最近邻居,决策树,随机森林和极端梯度增强算法构建了一个多层次的集合模型.
- 他们使用了各种分子和指纹描述器 (AtomPair,Avalon,MACCS,Morgan,RDKit,Pattern).
主要成果:
- 最终的组合模型在适用性域过后在外部验证集上实现了90.0%的平衡精度,87.7%的精度和86.4%的回忆.
- 该工作流显示了COX-2抑制剂化合物的高预测性能.
- 开发的模型有效地整合了各种机器学习算法和分子描述器.
结论:
- 自动化的KNIME工作流显著提高了COX-2抑制剂的in silico药物发现的可访问性.
- 该工具使用户,从初学者到经验丰富的KNIME用户,能够有效地预测潜在的抑制剂.
- 这种方法有利于在开发用于COX-2相关疾病的新疗法方面进行更广泛的研究和创新.
更多相关视频
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
相关概念视频
Predicting Reaction Outcomes
Predicting Products: SN1 vs. SN2
With increased substitution on the alkyl halide,...
Predicting Products: Substitution vs. Elimination
The following factors can influence the mechanisms competing against each other:
Drug Discovery: Overview
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Pharmacogenomics: Identification of New Drug Targets
