在乳腺癌治疗中提高ERα向化合物的疗效,使用可解释AI和遗传算法

科学领域:

• 计算化学和化学信息学
• 人工智能在药物发现中的作用
• 瘤学治疗药物治疗方法

背景情况:

• 乳腺癌是全世界女性死亡的主要原因之一.
• 对于先进的治疗策略有着至关重要的需求.
• 向雌激素受体α是乳腺癌治疗的关键方法.

研究的目的:

• 开发一种全面的方法来增强针对雌激素受体α的化合物的生物活性和ADMET特性.
• 整合可解释的人工智能,机器学习和遗传算法用于药物发现.
• 识别和完善关键的分子描述符,以预测化合物疗效.

主要方法:

• 采用SHAP (夏普利添加物解释) 和LassoNet来确定关键的分子描述符.
• 利用遗传算法优化候选化合物.
• 验证了生物活性和ADMET属性的选定的描述符和预测模型.

主要成果:

• 从729个分子中确定了50个关键分子描述符,显著影响了生物活性预测.
• 在生物活性预测方面获得了77%的平均R平方.
• 获得了ADMET属性的高精度得分:90.2% (吸收),93.7% (分布),89.5% (新陈代谢),87.3% (排泄) 和95.8% (毒性).
• 优化化合物显示出优越的生物活性,pIC50值高达10.05.

结论:

• 综合的人工智能和机器学习方法有效地提高了化合物生物活性和ADMET配置文件.
• 这种方法加速了新且有效的乳腺癌治疗方法的发现.
• 这些发现突显了先进的计算技术在治疗雌激素受体α阳性癌症的药物开发中的潜力.