相关实验视频
Updated: May 10, 2025

05:44
In vitro Cell Culture Model for Toxic Inhaled Chemical Testing
Published on: May 8, 2014
10.6K
使用ML模型预测化学呼吸毒性的OPTUNA优化
Eman Shehab1, Hamada Nayel2,3, Mohamed Taha2
1Department of Computer Science, Faculty of Computers and Artificial Intelligence, University of Sadat City, Sadat, Egypt. eman.shehab@fcai.usc.edu.eg.
Journal of computer-aided molecular design
|April 26, 2025
概括
这项研究提高了使用机器学习进行药物发现的化学呼吸系统毒性预测. 改进的模型在识别潜在的候选药物方面表现出卓越的准确性,改善了人类健康结果.
科学领域:
- 计算化学是一种计算化学.
- 毒理学 毒理学 毒理学
- 机器学习在药物发现中的作用
背景情况:
- 准确预测分子毒性对于有效的药物发现至关重要.
- 现有的模型需要改进,以改善化学呼吸系统毒性评估.
- 确保人类健康和安全需要强大的毒性预测方法.
研究的目的:
- 开发和验证一个改进的模型来预测化学呼吸道毒性.
- 将分子描述器和TF-IDF与先进的机器学习算法集成在一起.
- 通过严格的超参数调整和验证来优化模型性能.
主要方法:
- 采用混合方法,将分子描述符和TF-IDF结合起来.
- 采用各种机器学习算法,包括随机森林和渐变增强分类器.
- 应用了SMOTE来处理类不平衡和OPTUNA来进行超参数优化.
- 进行了内部和外部验证,以评估模型的通用性.
主要成果:
- 通过内部验证,随机森林实现了88.6%的准确性和93.2%的AUC.
- 外部验证表明,使用随机森林和梯度增强,准确率为92.2%,AUC为97%.
- 改进后的模型在毒性预测方面显著超过了之前的研究.
结论:
- 开发的模型在化学呼吸道毒性预测方面取得了重大进展.
- 分子描述符,TF-IDF和优化机器学习的整合提供了高预测准确度.
- 这种方法有望提高药物发现过程的安全性和效率.

