BRAFPred:一种用于准确预测B型快速加速纤维肉瘤抑制剂的新方法
Ming Zhang1, Chaoming Zhang1, Keyu Liu1
1School of Computer, Jiangsu University of Science and Technology, 666 Changhui Road, Zhenjiang 212100, China.
ACS omega
|April 7, 2025
概括
BRAFPred是一个新的堆叠集体学习框架,通过整合多种分子特征和先进的机器学习模型,精确地预测BRAF抑制剂. 这种方法在预测癌症治疗药物的疗效方面明显优于现有的方法.
科学领域:
- 计算化学和化学信息学
- 机器学习在药物发现中的作用
- 瘤学和癌症治疗学
背景情况:
- B型快速加速纤维素瘤 (BRAF) 瘤基因是癌症治疗中的关键标.
- 传统的定量结构-活动关系 (QSAR) 模型在处理复杂的非线性和概括方面存在局限性.
- 现有模型的预测效率经常受到依赖单一方法的破坏.
研究的目的:
- 开发一种新的框架,BRAFPred,用于精确预测BRAF抑制剂.
- 通过整合各种机器学习技术来克服传统QSAR方法的局限性.
- 为了提高BRAF抑制剂发现的预测准确度和概括能力.
主要方法:
- 采用了一种堆叠集体学习方法,整合了经典和深度学习模型.
- 嵌入了手工制作的分子描述符 (PaDeL) 和小分子序列特征.
- 使用极端梯度增强 (XGB),支持向量回归 (SVR),Chemprop和FG-BERT (预训练的BERT模型) 来生成特征.
- 将集成的多源特征集成到一个元集随机森林回归模型中.
主要成果:
- BRAFPred实现了0.383的平均绝对误差 (MAE) 和0.855.85的R平方 (R2) .
- 显著优于基准模型的性能,包括Chemprop (MAE=0.443,R2=0.803),FG-BERT (MAE=0.460,R2=0.785),和Stack_BRAF (MAE=0.403,R2=0.839) 等.
- 在盲测试集和基准数据集上展示了强大的概括能力.
结论:
- 与最先进的方法相比,BRAFPred代表了预测BRAF抑制剂的优越方法.
- 堆叠组合框架有效地整合了各种数据源和模型,以提高预测性能.
- 这项研究提供了一个强大而可通用的工具,可以加速发现新的BRAF向癌症治疗方法.
