DICTrank是一种可靠的数据集,用于使用机器学习方法预测心脏毒性.

科学领域:

• 药理学和毒理学 药理学和毒理学
• 计算化学的计算化学
• 药物开发 药物开发

背景情况:

• 药物诱导心脏毒性 (DICT) 对药物开发和公共卫生构成重大风险.
• 由于有限的数据集,当前的预测模型往往集中在单个机制上 (例如,hERG),阻碍了全面的DICT评估.
• 来自FDA药物标签的DICTrank数据集代表了评估人类心脏毒性责任的最大数据集.

研究的目的:

• 评估DICTrank数据集对DICT的定量结构-活动关系 (QSAR) 建模的实用性.
• 为了比较五种不同的机器学习方法在预测DICT风险方面的性能.
• 通过特征分析,确定有助于DICT的关键药物特性.

主要方法:

• 使用了DICTrank数据集,包括FDA药物标签上的人类心脏毒性数据.
• 应用了五种机器学习算法:物流回归 (LR),K-最近邻居,支持矢量机器,随机森林 (RF) 和XGBoost.
• 对2005年之前批准的药物进行训练模型,以预测随后批准的药物的DICT风险,模拟现实应用.

主要成果:

• 使用DICTrank数据集,物流回归 (LR) 和XGBoost模型显示了最高的预测性能.
• 特性分析显示,与结构/拓描述符,极化性和电子阴性相关的药物特性对DICT有显著的贡献.
• 在不同的治疗类别中,模型性能有所不同,这表明需要量身定制的预测方法.

结论:

• DICTrank数据集对于基于机器学习的人类心脏毒性预测是强大而可靠的.
• 该研究强调了全面数据集和先进机器学习对于准确的DICT评估的重要性.
• 从特征分析中获得的DICT机制的洞察力可以指导开发更安全的治疗方法.