双向长期短期记忆 (BiLSTM) 连接指纹的神经网络:用于预测天然化合物中的皮肤敏感剂的应用
Huynh Anh Duy1,2, Tarapong Srisongkram3
1Graduate School in the Program of Research and Development in Pharmaceuticals, Faculty of Pharmaceutical Sciences, Khon Kaen University, Khon Kaen 40002, Thailand.
Journal of chemical information and modeling
|March 3, 2025
概括
一个深度学习模型,双向长期短期记忆 (BiLSTM),准确地预测天然产品中的皮肤敏感毒性. 这种计算工具增强了对新型化合物的药物安全性评估和监管决策.
科学领域:
- 计算毒理学计算毒理学
- 化学信息学 化学信息学
- 药理学 药理学是指药理学的学科.
背景情况:
- 皮肤敏感化或过敏性接触性皮肤炎是药物安全性和监管评估的关键因素.
- 预测敏感性是具有挑战性的,特别是对于复杂的天然产品衍生化合物.
研究的目的:
- 开发一个深度学习定量结构-活动关系 (QSAR) 框架,用于预测皮肤敏感化.
- 具体解决自然产品衍生化合物的敏感性预测问题.
主要方法:
- 探索了经常性的神经网络架构:LSTM,BiLSTM,GRU和BiGRU.
- 通过使用多种分子指纹和SMILES令牌训练了55个模型.
- 使用双向LSTM (BiLSTM) 与SMILES和RDKit指纹集成,以实现卓越的性能.
主要成果:
- BiLSTM模型展示了卓越的预测性能,识别了敏感化的关键分子决定因素.
- 在天然产品数据集上实现了高精度 (86.5%),MCC (75.2%),灵敏度 (100%),AUC (88%),特异性 (75%) 和F1评分 (88.8%).
- 在各个子类别中有效地区分敏感和非敏感的天然产品.
结论:
- 基于BiLSTM的QSAR模型是预测皮肤敏感性的强大的in silico工具.
- 这些模型为药物发现和监管评估提供了重大潜力,特别是对于天然产品.
- 这项研究提供了对影响敏感化倾向的分子属性的洞察.
