建立可解释的细胞毒性预测模型,使用机器学习分析转录组特征
You Wu1,2, Ke Tang1,2, Chunzheng Wang1,2
1Beijing Key Laboratory of New Drug Mechanisms and Pharmacological Evaluation Study, Institute of Materia Medica, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100050, China.
Acta pharmaceutica Sinica. B
|May 15, 2025
概括
这项研究开发了精确的机器学习模型,使用细胞活力数据来预测药物细胞毒性. 这些模型加速药物开发的早期阶段,并确定新的细胞毒性特征 (CTS) 基因用于作用机制分析.
科学领域:
- 计算生物学是一种计算生物学.
- 药理学 药理学是指药理学的学科.
- 毒理学 毒理学 毒理学
背景情况:
- 细胞毒性,通过细胞活力来衡量,对于在体外评估药物安全至关重要.
- 预测细胞毒性有助于早期药物开发,通过识别潜在的安全问题.
研究的目的:
- 开发精确的机器学习模型来预测药物细胞毒性和细胞活力.
- 解释这些模型并确定涉及细胞毒性的关键基因.
- 为了实现安全物质的高通量选.
主要方法:
- 集成的细胞转录组和细胞活力数据.
- 使用的机器学习算法:SVM,RF,XGBoost,LightGBM.
- 使用组合方法:投票和堆叠.
- 在多种细胞系中验证了模型.
主要成果:
- 实现了50%和80%细胞活力的高预测准确性,AUROC为0.90和0.84.
- 模型在各种细胞系中表现出强大的性能.
- 首次确定了细胞毒性特征 (CTS) 基因.
- 能够分析狭窄治疗指数 (NTI) 化合物的机制.
结论:
- 与以前的研究相比,开发的模型在细胞毒性预测方面提供了更高的准确性.
- 这些模型有助于高安全性物质的高效准确选.
- 已识别的CTS基因为药物作用机制提供了新的见解,特别是对于NTI化合物.
