可解释的AI驱动的APE1抑制剂预测:通过机器学习模型和特征重要性分析来增强癌症治疗

科学领域:

• 计算化学是一种计算化学.
• 药物发现 药物发现
• 基因组稳定性 基因组稳定性

背景情况:

• 细胞DNA修复机制对于基因组完整性至关重要.
• 癌症疗法会损害DNA,但癌细胞可以通过DNA修复来产生抵抗力.
• 阿普里尼克/阿普里米尼克内核酶 (APE1) 过度表达与治疗耐药性相关;其抑制可以使癌细胞敏感.

研究的目的:

• 开发准确可靠的机器学习 (ML) 模型,使用可解释AI (XAI) 预测APE1抑制剂.
• 确定驱动APE1.1.抑制的关键分子特征.
• 通过针对APE1介导的耐药性来提高癌症治疗的疗效.

主要方法:

• 采用ML回归模型来预测潜在的APE1抑制剂的pIC50值.
• 使用贝叶斯优化和变特征重要性 (PFI) 进行超参数调整和特征选择.
• 应用了SHAP (夏普利添加式解释) 和LIME (局部可解释的模型不可知解释) 来实现模型的解释性.
• 由于APE1数据集大小的限制,利用BACE-1数据集进行模型培训.

主要成果:

• XGBoost模型实现了卓越的预测性能,其中R2=0.890,MAE=0.186,RMSE=0.245.5,MAE=0.186.
• SHAP和LIME分析确定了"C1SP2"和"ASP-2"作为对APE1抑制预测的显著积极贡献者.
• 与LightGBM和QSAR-ML.等现有方法相比,该方法显示了增强的概括能力和准确性.

结论:

• 可解释的人工智能显著提高了ML模型的准确性和可靠性,用于预测APE1抑制剂.
• 该研究成功地确定了预测APE1抑制的关键分子特征,有助于药物候选者的识别.
• 开发的模型为发现新型APE1抑制剂以克服癌症治疗耐药性提供了一个强大的框架.