预测醇衍生物的抗癌活性:一种基于GP树的QSAR模型,由ALO优化,利用分子对接和决策方法的洞察力

科学领域:

• 计算化学和药物发现
• 药品化学 药品化学 是一个
• 在药理学中的机器学习.

背景情况:

• 醇衍生物显示出作为抗癌剂的前景,但结构-活性关系是复杂的.
• 高维分子描述器挑战了传统的药物发现方法.
• 预测抗癌活性 (LogIC50) 需要先进的计算方法.

研究的目的:

• 为高维空间中的回归任务开发一个修改的GP-Tree特征选择算法.
• 为了提高因多尔衍生物抗癌活性的预测准确度.
• 确定关键的分子描述符和有希望的抗癌疗法候选药物.

主要方法:

• 修改了GP-Tree功能选择,用于回归和高维数据.
• 解决阶级不平衡和数据集扩张的SMOGN技术.
• 使用狮优化器 (ALO) 优化机器学习模型.
• 为了提高预测准确度,AdaBoost-ALO (ADB-ALO) 模型.
• SHAP分析用于识别关键分子描述符.
• 分子对接和权重总和方法 (WSM) 用于候选者识别.

主要成果:

• 修改后的GP-Tree算法有效地识别了LogIC50预测的相关描述符.
• SMOGN技术将数据集扩展到1381个实例,提高了IC50预测准确度.
• 在AdaBoost-ALO (ADB-ALO) 模型中,R2为0.9852,RMSE为0.1470,CCC为0.9925,实现了卓越的性能.
• SHAP分析强调TopoPSA和电子性质对于抗癌活性至关重要.
• 分子对接确定了英多尔-胺-异醇的N-胺衍生物作为潜在的双重抑制剂的拓素酶I和II.

结论:

• 开发的计算方法准确地预测了醇衍生物的抗癌活性.
• 确定了关键的分子描述符和有前途的候选药物,加速了药物发现.
• 这项研究将计算预测与实验见解相结合,用于开发新型抗癌疗法.