基于自编码器的药物-病毒关联预测与可靠的负样本选择:一个COVID-19的案例研究
A S Aruna1, K R Remesh Babu2, K Deepthi3
1Dept. of Information Technology, Government Engineering College Palakkad, Palakkad-678633, APJ Abdul Kalam Technological University, Kerala, India; Department of Computer Science, College of Engineering Vadakara, Kozhikode 673105, Kerala, India.
Biophysical chemistry
|March 17, 2025
概括
这项研究介绍了KR-AEVDA,一种用于预测病毒与药物相关性的计算方法. 它有效地识别病毒性疾病的潜在候选药物,有助于更快的药物发现和开发.
科学领域:
- 病毒学 病毒学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 新兴和重新出现的病毒给全球健康和经济带来了重大挑战.
- 识别新型病毒与药物之间的关联对于打击病毒威胁和开发有效的治疗方法至关重要.
- 药物发现的传统实验方法昂贵且耗时.
研究的目的:
- 提出一种计算方法,即KR-AEVDA,用于预测和优先考虑新型病毒与药物之间的关联.
- 利用机器学习来有效识别潜在的抗病毒药物.
- 降低与实验药物发现相关的成本和风险.
主要方法:
- KR-AEVDA使用k-最近邻居 (KNN) 来进行可靠的负样本选择.
- 基于自编码器的特征提取用于分析复杂的药物病毒关系.
- 一个整体分类器根据提取的特征和相似性数据推断出新的病毒-药物关联.
主要成果:
- 与现有的最先进的方法相比,KR-AEVDA在三个数据集中表现出更高的性能.
- 分子对接验证了与SARS-CoV-2的主要蛋白酶预测的最高药物关联.
- 病例研究,特别是SARS-CoV-2的病例研究,突出了该方法在确定潜在治疗策略方面的有效性.
结论:
- KR-AEVDA提供了一种强大而高效的计算方法,用于发现病毒与药物的关联.
- 该方法有助于优先考虑实验验证的候选药物,加速药物发现管道.
- 在应对新出现的病毒感染带来的挑战方面,KR-AEVDA表现有前途.
