通过指纹生成网络与人工神经网络集成的有效和可解释的分子虚拟选

科学领域:

• 计算化学是一种计算化学.
• 机器学习在药物发现中的作用
• 用于分子建模的人工智能.

背景情况:

• 虚拟查对于识别潜在的候选药物至关重要.
• 现有的机器学习模型往往缺乏效率和可解释性.
• 开发用于增强药物查的新型架构是一个持续的挑战.

研究的目的:

• 开发和优化用于药物查的新型机器学习架构.
• 创建一个高效,可解释和高性能工具,用于连接物分类.
• 与当代方法相比,改进对连接体结合亲和力的预测.

主要方法:

• 开发了一种新的,拼接的神经网络架构,将基于图形卷积的指纹与人工神经网络相结合.
• 该模型使用两个标准化的虚拟选数据库和来自ZINC数据库的分子进行了训练和评估.
• 实验涉及对六种药物设计相关蛋白质的对接分数的基础上对联体进行二元分类.

主要成果:

• 开发的架构在学习分子特征和预测连接体结合亲和力方面表现出卓越的性能.
• 该模型在选分子方面被证明更有效,保留了最受欢迎的候选人.
• 与摩根指纹相比,基于神经指纹的模型显示出更好的连接体保留率和更高的过率.
• 模型可解释性揭示了对影响预测的关键化学子结构和原子的准确强调.

结论:

• 新的机器学习架构为药物查提供了一种高效和可解释的方法.
• 这种方法提高了高亲和度连接体的识别,优于现有技术.
• 该模型的可解释性为分子相互作用提供了洞察力,有助于药物设计.