使用随机森林优化分子指纹增强HCV NS3抑制剂分类
1Department of Computer Engineering, Faculty of Engineering and Architecture, Nevsehir Haci Bektas Veli University, 50300 Nevşehir, Turkey.
International journal of molecular sciences
|March 27, 2025
概括
机器学习模型使用优化的分子指纹准确地分类C型肝炎病毒 (HCV) NS3抑制剂. 这种计算方法增强了开发新抗病毒药物的虚拟查.
科学领域:
- 计算化学是一种计算化学.
- 药物发现 药物发现
- 机器学习是机器学习.
背景情况:
- 分类C型肝炎病毒 (HCV) NS3抑制剂对于识别抗病毒药物至关重要.
- 计算方法,特别是机器学习,为药物发现提供了高效的方法.
研究的目的:
- 开发一个优化的机器学习模型来对HCV NS3抑制剂进行分类.
- 为了评估随机森林 (RF) 的性能,用分子指纹进行虚拟查.
主要方法:
- 在模型训练中使用了290种生物活性化合物的数据集,这些数据来自ChEMBL数据库.
- 测试了12个分子指纹描述器,只有CDK图形指纹显示最佳性能.
- 随机森林 (RF) 分类器被优化并与使用WEKA的IBk,LR,AdaBoost和OneR等其他模型进行比较.
主要成果:
- 优化的射频模型在测试机组上实现了高精度 (89.6552%) .
- 关键绩效指标包括MAE为0.2114,RMSE为0.3304,MCC为0.7950.这些指标均为1.
- 只有CDK图形指纹在分类HCVNS3抑制剂方面表现出卓越的性能.
结论:
- 优化的分子指纹显著提高了对HCV抑制剂的虚拟查.
- 开发的机器学习方法为加速抗病毒药物发现提供了数据驱动的策略.
- 这项研究验证了机器学习在识别针对HCV的潜在治疗药物的有效性.


