基于机器学习的自然产品生物活性分类使用LC-MS/MS代谢学

科学领域:

• 自然产品 化学 化学
• 计算化学的计算化学
• 药物发现 药物发现 药物发现

背景情况:

• 复合物重新发现是天然产品药物发现的一个主要挑战,阻碍了新型化合物的探索和浪费资源.
• 有效地去复制已知的生物活性化合物对于加速发现新疗法至关重要.

研究的目的:

• 开发和验证一种新的机器学习 (ML) 框架,用于描述天然产品的生物活性.
• 为了应对在天然产品药物发现中对先前发现的生物活性化合物进行复制的挑战.

主要方法:

• 利用液体染色学,并联质谱学 (LC-MS/MS) 和非目标代谢学分析.
• 使用SIRIUS 5代谢学软件套件用于在中生成的碎片谱和分子指纹 (MFP).
• 在MFP上训练一个ML模型,以根据药理分子来预测化合物药物类别.

主要成果:

• 该ML模型在使用实验频谱对21种不同的生物活性药物类别进行分类时取得了高准确率 (>93%).
• 该框架允许从LC-MS/MS数据中快速识别生物活性支架,即使没有参考光谱.
• 证明了ML与MFP相结合的潜力,用于取消基于药理的生物活性天然产品的复制.

结论:

• 开发的ML框架有效地描述了天然产品的生物活性,并加速了药物发现.
• 这种方法简化了新型生物活性支架的识别,加速了潜在抗菌和抗真菌剂的分离.
• 强调了将ML与代谢学和自然产品研究的计算工具集成在一起的力量.