使用机器学习预测小分子的抗微生物类特异性

科学领域:

• 计算化学是一种计算化学.
• 药物发现 药物发现
• 微生物学 微生物学

背景情况:

• 抗生素耐药性是一个日益增长的威胁,需要新的药物发现方法.
• 传统的抗生素开发是缓慢而昂贵的,成功率下降.
• 机器学习 (ML) 提供了一个有前途的计算方法来加速药物发现.

研究的目的:

• 开发和验证用于预测抗菌活性的ML模型.
• 从公共数据创建一个全面的抗微生物知识图 (AntiMicrobial-KG).
• 评估模型在选新型抗生素化合物库中的实用性.

主要方法:

• 通过收集和可视化公开的体外抗菌试验数据,构建了抗微生物-KG.
• 使用六个复合指纹表示方式训练了七个经典的ML模型.
• 评估模型性能,确定随机森林模型的MHFP6指纹是最优的 (75.9%的准确性,0.68科恩的卡帕).

主要成果:

• 最好的ML模型准确地预测了欧盟OpenScreen和Enamine库中的化合物的抗菌活性.
• 在欧盟开放屏图书馆中,超过30%的活性化合物被正确地识别为格拉姆阳性,格拉姆阴性和真菌病原体.
• 该模型展示了Enamine库的病原体类特异性预测.

结论:

• 开发的ML模型和AntiMicrobial-KG可以显著加速抗菌药物发现.
• 这种计算策略有效地过复合库,降低成本并识别有前途的候选人.
• 该方法有助于通过简化寻找新疗法来打击抗菌素耐药性 (AMR).