从使用深度学习和可用的生物活性数据集的公共数据库中预测和优先考虑新的类候选者
Aya C Taki1, Louis Kapp1,2, Ross S Hall1
1Department of Veterinary Biosciences, Melbourne Veterinary School, Faculty of Science, The University of Melbourne, Parkville, VIC 3010, Australia.
International journal of molecular sciences
|April 17, 2025
概括
寄生虫虫的耐药性需要新的治疗方法. 一个机器学习模型成功地通过选数百万种化合物来识别潜在的新型杀虫剂,其中两种化合物在早期测试中显示出高强度.
科学领域:
- 兽医寄生虫学 兽医寄生虫学
- 计算化学计算化学
- 药物发现 药物发现 药物发现
背景情况:
- 寄生性线虫对动物健康和经济造成重大损失.
- 广泛的抗虫药物耐药性严重限制了当前的治疗选择.
- 迫切需要具有独特作用机制的新型杀虫剂化合物.
研究的目的:
- 评估一种in silico (计算) 方法,以加快新抗虫药物的发现.
- 利用机器学习来识别潜在的药物候选对抗寄生虫线虫 * Haemonchus contortus *.
主要方法:
- 一个受监督的机器学习模型 (多层感知子分类器) 被训练在15,000个小分子化合物上,这些化合物具有已知的对H.contortus的生物活性.
- 该模型使用高通量选和文献数据进行了验证,达到83%的精度和81%的活性化合物召回.
- 经过训练的模型选了来自ZINC15数据库的1420万种化合物,以预测杀性候选物.
主要成果:
- 机器学习模型在识别活性化合物方面表现出很高的性能,尽管训练数据不平衡.
- 在体查中发现了新型抗虫药物有前途的候选药物.
- 实验验证10个候选物体的实验验证显示,H.contortus*幼虫和成体在体外显著抑制.
- 两种化合物表现出高强度,需要进一步研究作为抗甲虫候选物.
结论:
- 基于机器学习的in silico方法可以显著加快杀虫剂小分子的预测和优先级.
- 这种计算策略有助于发现新型化合物来对抗耐药寄生虫线虫.
- 鉴定到的化合物为开发抗动物寄生虫感染的新策略提供了潜力.
