建立基于机器学习的QSAR模型的数据集,以使用FARM-BIOMOL化学库选β-乳糖酶抑制剂

科学领域:

• 计算化学和化学信息学.
• 药物的发现和开发.
• 抗微生物耐药性研究.

背景情况:

• β-乳酸酶酶是全球抗生素耐药性的主要驱动因素,使关键药物无效.
• 分子对接是药物发现的关键工具,用于选酶抑制剂,但往往成功率很低.
• 之前的工作展示了一个概念验证,将机器学习与定量结构-活动关系 (QSAR) 模型相结合,以克服分子对接的限制.

研究的目的:

• 呈现和导航在先前研究中使用的数据集,结合机器学习和QSAR用于β-乳糖酶抑制.
• 为进一步的模型开发提供基础,旨在改善对β-乳糖酶抑制活性的预测.
• 促进对抗抗生素耐药性的新策略的研究.

主要方法:

• 在体外查89个生物活性分子的β-乳糖酶抑制活性.
• 应用三个分子对接方法:AutoDock Vina,DOCK6和共识对接.
• 机器学习与QSAR模型的整合,包括30个随机森林和30个后勤回归模型.

主要成果:

• 该数据集包括体外查结果,分子对接输出和机器学习衍生QSAR模型.
• 60个训练有素的模型 (30个随机森林,30个后勤回归) 详细介绍,为预测建模提供了资源.
• 提出的数据支持开发更准确,更可靠的计算方法来识别β-乳糖酶抑制剂.

结论:

• 该数据集对于推进针对β-乳酸酶的计算药物发现至关重要.
• 该资源使进一步的研究能够提高抗生素耐药性的预测模型的性能.
• 通过改善抑制剂查过程,促进下一代抗生素的开发.