基于机器学习的洞察力,对抗癌硫胺的IAM染色体中保留机制的洞察力:对生物疗效的影响

科学领域:

• 计算化学的计算化学
• 药理学 药理学是指药理学的学科.
• 药物发现 药物发现 药物发现

背景情况:

• 机器学习 (ML) 为药物发现提供了新的途径,特别是在理解与生物系统的分子相互作用方面.
• 硫胺是具有多种生物活性的一类化合物,需要详细研究它们与生物膜的相互作用.

研究的目的:

• 开发使用固定人工膜 (IAM) 染色学对硫胺的定量结构-保留关系 (QSRR) 模型.
• 阐明硫胺与脂的结合机制,并预测它们的抗癌活性.

主要方法:

• 利用500多种硫胺衍生物的数据集与实验IAM-高性能液体染色学 (HPLC) 数据.
• 采用机器学习技术,包括 LASSO 回归和支持向量机 (SVM),使用分子描述符和指纹.
• 在HCT-116,HeLa和MCF-7细胞系中构建了保留行为和抗癌活性的预测模型.

主要成果:

• 基于描述器的LASSO模型实现了R2 = 0.71和Q2 = 0.77用于保留行为预测.
• 确定的主要描述因素包括水溶性,与氧的比率,原子/环数和logP.
• 基于指纹的SVM模型显示出卓越的性能 (R2 = 0.899,Q2 = 0.810),突出显示环和附着碎片对脂亲和力至关重要.
• CHI_IAM值成为抗癌活性的一个关键决定因素.

结论:

• 综合ML和染色学方法有效预测分子相互作用和生物疗效.
• 这种方法通过减少实验工作量和提高预测准确度来简化药物开发.
• 该研究提供了关于硫胺-脂相互作用及其与抗癌药物设计相关性的宝贵见解.