使用多特征选择和机器学习进行基于基QSAR的Butyrylcholinesterase抑制剂的增强选
D Sharmistha1, M Prabha1, R R Siva Kiran2
1Department of Biotechnology, Ramaiah Institute of Technology, Bengaluru, India.
SAR and QSAR in environmental research
|February 21, 2025
概括
这项研究引入了一种QSAR模型,用于识别用于痴呆症治疗的丁胆酶抑制剂. 整合人类肠道吸收数据显著减少了潜在的候选药物,加速了阿尔茨海默氏症.
科学领域:
- 药用化学 医学化学
- 计算机化药物发现技术
- 药理学 药理学是指药理学的学科.
背景情况:
- 痴呆症,特别是阿尔茨海默病,与胆固醇神经元损失有关,因此需要针对丁胆化酶 (BChE) 的治疗.
- 丁胆酶抑制是管理痴呆症症状的关键策略.
研究的目的:
- 开发一种定量结构-活性关系 (QSAR) 模型,用于识别有效的BCHE抑制剂.
- 使用机器学习将人类肠道吸收 (HIA) 数据与BCHE抑制剂IC50值集成.
主要方法:
- 开发一个QSAR模型,利用多特征选择和特征学习.
- 监督机器学习分类算法的应用,特别是随机森林分类器.
- 化学描述物的整合,BCHE抑制剂IC50值和HIA数据.
- 使用精度,回忆和F1分数验证回归模型.
主要成果:
- 随机森林分类器实现了高性能,日志损失为0.04225,准确率为98.88%,MCC为0.98.
- 整合HIA数据导致潜在的BCHE抑制剂数量减少了89.63%.
- 开发的模型在in silico选中表现出效率,并加速了药物发现.
结论:
- 该研究成功开发和验证了QSAR模型,用于发现BCHE抑制剂.
- 整合HIA数据显著提高了候选药物查的效率.
- 这些发现为在阿尔茨海默氏症治疗中开发新药开发策略提供了宝贵的见解.
