iScore:一种基于ML的评分功能,用于新药发现.
Sayyed Jalil Mahdizadeh1, Leif A Eriksson1
1Department of Chemistry and Molecular Biology, University of Gothenburg, Göteborg 405 30, Sweden.
Journal of chemical information and modeling
|March 4, 2025
概括
这项研究引入了iScore,这是一种新的机器学习 (ML) 评分功能,用于快速准确地预测蛋白质 - 连接体结合亲和力. iScore通过绕过缓慢的构造样本来加速药物发现,从而能够高效地选庞大的分子库.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 在生物信息学中的机器学习.
背景情况:
- 开发高效的评分功能对于加速新药发现至关重要.
- 目前的方法往往依赖于明确的蛋白质-连接体相互作用和原子接触,这可能是缓慢和计算昂贵的.
- 化学空间的广性需要对分子库进行快速选.
研究的目的:
- 推出iScore,一种基于机器学习的新型评分功能,用于预测蛋白质-干结合亲和力.
- 开发一种快速而准确的方法,绕过传统的构造性采样.
- 为了快速选用于药物发现的超大型分子图书馆.
主要方法:
- iScore利用连接体和结合口袋描述器直接预测结合亲和力,避免了明确的相互作用知识.
- 三种机器学习模型 (深度神经网络,随机森林,极端梯度提升) 被训练并验证.
- 一个混合模型 (iScore-Hybrid) 是通过结合单个模型的优势而开发的.
主要成果:
- 在交叉验证中,iScore-Hybrid模型实现了0.78的皮尔森相关系数 (R) 和1.23的RMSE.
- iScore-Hybrid为得分能力 (R = 0.814),排名能力 (ρ = 0.705) 和选能力 (73.7%的成功率) 设置了新的基准.
- 该模型在目标渔业基准研究中表现出强的表现.
结论:
- 通过快速准确地预测结合亲和力,iScore在计算药物发现方面取得了重大进展.
- 该方法绕过了缓慢的构造性采样,促进了大型化学库的高效选.
- iScore-Hybrid为药物发现研究中的评分函数建立了新的性能标准.
更多相关视频
08:31Biosensor-based High Throughput Biopanning and Bioinformatics Analysis Strategy for the Global Validation of Drug-protein Interactions
Published on: December 1, 2020
4.9K
10:29Quantitative Structure-Activity Relationship, Activity Prediction, and Molecular Dynamics of Non-nucleotide Reverse Transcriptase Inhibitors
Published on: May 9, 2025
285
