开发和实验验证一种机器学习模型,用于预测新的抗疟疾药物
Mukul Kore1, Dimple Acharya2, Lakshya Sharma1
1Department of Pharmacy, Birla Institute of Technology and Science Pilani, Pilani Campus, Vidya Vihar, Pilani, Rajasthan, 333 031, India.
BMC chemistry
|January 30, 2025
概括
一个新的随机森林模型 (RF-1) 使用多种分子数据预测了抗疟疾活性. RF-1确定了具有抗质菌作用的新型候选药物,包括激酶抑制剂,为现有的疟疾预测工具提供了补充方法.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 寄生虫学的寄生虫学
背景情况:
- 开发抗疟疾活动的预测模型对于对抗Plasmodium falciparum至关重要.
- 现有的模型通常依赖于高通量选 (HTS) 数据,这些数据可能是有限的.
- 使用多剂量数据为模型开发提供了更强大的方法.
研究的目的:
- 开发一个强大的随机森林 (RF) 模型来预测抗等离子体活动.
- 通过虚拟查识别新型抗疟疾化合物.
- 探索药物发现的补充预测建模策略.
主要方法:
- 一个随机森林 (RF) 模型是使用来自ChEMBL的约15,000个抗疟疾分子构建的.
- 该模型使用KNIME平台对80%的数据进行了训练,通过九个分子指纹 (MFP) 优化了超参数.
- 阿瓦隆MFPs (RF-1) 产生了最佳的预测性能,在测试集上达到91.7%的准确性.
主要成果:
- RF-1显示了高的预测准确性 (91.7%),精度 (93.5%),灵敏度 (88.4%),以及AUROC (97.3%).
- 该模型的性能与疟疾抑制剂预测平台 (MAIP) 相当,非重叠的命中表明了互补性.
- 虚拟查发现了两种具有单位微分子抗等离子体活性的激酶抑制剂,其中一种抑制了β-血.
结论:
- 开发的RF-1模型为预测抗疟疾活性提供了可靠且互补的工具.
- RF-1成功地确定了疟疾治疗的有希望的候选药物,包括新型激酶抑制剂.
- 这项研究强调了重新利用现有药物的潜力,并了解了寄生虫血红素合成的潜力,以发现抗疟疾药物.
更多相关视频
10:50Detection and Quantification of Plasmodium falciparum in Aqueous Red Blood Cells by Attenuated Total Reflection Infrared Spectroscopy and Multivariate Data Analysis
Published on: November 2, 2018
7.9K
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
1.3K
